پیش‌بینی بارش بهارة استان خراسان رضوی براساس سیگنال‌های بزرگ‌مقیاس اقلیمی با استفاده از شبکه‌های عصبی مصنوعی

نویسندگان

چکیده

هدف از پژوهش حاضر، بررسی ارتباط سیگنال‌های بزرگ‌مقیاس اقلیمی با بارش استان خراسان رضوی است. در این مطالعه، با استفاده از شبکه‌های عصبی مصنوعی، پیش‌بینی بارش در بازة زمانی آوریل تا ژوئن 2007-1970 (فروردین تا خرداد) در استان خراسان رضوی ارائه شده است. برای این منظور ارتباط بین تغییرات سیگنال‌های اقلیمی شامل فشار سطح دریا، اختلاف فشار سطح دریا، دمای سطح دریا، اختلاف دما بین سطح دریا و سطح 1000 میلی‌باری، دمای سطح 700 میلی‌بار، ضخامت بین سطوح 500 و 1000 میلی‌بار، رطوبت نسبی سطح 300 میلی‌بار و آب قابل بارش با بارش متوسط منطقه‌ای مورد بررسی قرار گرفت. در انتخاب این مناطق، تأثیرپذیری بارندگی منطقه شمال شرق ایران از سیگنال‌های بزرگ‌مقیاس اقلیمی مورد توجه قرار گرفته است. سپس، مدل شبکه‌های عصبی مصنوعی در دوره 1997-1970 آموزش داده شده است و در پایان، پیش‌بینی بارش در دوره 2007-1998 انجام شده است. نتایج نشان می‌دهد که شبکه‌های عصبی مصنوعی در تمامی سال‌ها می‌تواند بارش را با دقت قابل قبولی پیش‌بینی کند. ریشه میانگین مربعات خطا برای مدل، 5/2 میلی‌متر به‌دست آمد.

کلیدواژه‌ها


عنوان مقاله [English]

Spring Rainfall Prediction of Khorasan-e Razavi Province, Based upon Climatic Large Scale Signals by Using Artificial Neural Network

نویسندگان [English]

  • Gh.A Fallah Ghalhari
  • J Khoshhal
چکیده [English]

The aim of this research is investigating the relations between climatic large scale signals and spring rainfall of Khorasan-e Razavi province.
In this research, we have analyzed 38 years of rainfall data in khorasan-e Razavi province, located in northeastern Iran. We attempted to train Artificial Neural Network based upon climatic large scale signals with 38 years of rainfall data. For performance evaluation, network predicted outputs were compared with the actual rainfall data. At the outset of this study, the relationships between synoptically pattern variations, including Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Level Pressure Gradient (?SLP), Sea Surface Temperature Difference (?SST), Air Temperature at 700 hPa, Thickness between 500 and 1000 hPa level, Relative Humidity at 300 hPa and Precipitable water are investigated .In the second step, model was calibrated from 1970 to 1997. Finally, rainfall prediction is performed from 1998 to 2007. Simulation results reveal that Artificial Neural Network is promising and efficient. Root mean square was obtained 2.5 millimeters.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Climatic large scale signals
  • Rainfall prediction