پیشبینی بارش و دمای متوسط ماهانه با استفاده از الگوهای پیوند از دور به کمک شبکه های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد)

دما و بارش به عنوان دو پارامتر مهم هواشناسی، خصوصا در مناطق خشک و نیمه خشک مطرح هستند. در نتیجه شناخت لازم از میزان این پارامترها، تغییرات آن ها و پیشبینی این پدیده ها، در جهت داشتن برنامه ریزی دقیق تر در مدیریت بخش های کشاورزی، اقتصادی و اجتماعی ضروری مینماید. از طرف دیگر، تغییرات بسیاری از متغیرهای هواشناسی به شدت به پارامترهای گردش جوی، زمین و سطح اقیانوسی بزرگ مقیاس وابسته اند. با توجه به این موضوع، در تحقیق حاضر الگوهای بزرگ مقیاس اقلیمی (پیوند از دور) موثر بر پارامترهای دمای متوسط و بارش ماهانه ایستگاه سینوپتیک مشهد در دوره آماری 55 ساله 1956- 2010 م. به صورت هم زمان و با تاخیرات زمانی مورد بررسی قرار گرفته است. علاوه بر این، جهت پیشبینی دو پارامتر فوق، از شبکه های عصبی مصنوعی بهره گرفته شده و اثر پیش پردازش داده های ورودی شبکه عصبی به چهار روش (رگرسیون، رگرسیون با داده های محدود، تست گاما و بدون پیش پردازش)مورد بررسی قرار گرفته است. نتایج حاصل حاکی از آن است که پیش پردازش به روش های رگرسیون، رگرسیون محدود و آزمون گاما به ترتیب بهترین نتایج را برای هر دو پارامتر ارایه کرده و پیش بینی با شبکه عصبی بدون پیش پردازش داده های ورودی به ویژه برای پارامتر بارندگی، نتایج مناسبی نداشته است. هم چنین مشخص شد که در هر دو روش رگرسیون مورد استفاده، شاخص اقلیمی نینو 1/2 با تاخیرات زمانی به ترتیب 5 و 4 ماهه موثرترین شاخص بر پارامترهای بارش و دمای متوسط بوده است که این نتیجه در آزمون گاما نیز صدق میکند.

کلیدواژه ها:

شاخص های اقلیمی ، رگرسیون ، تست گاما ، شبکه عصبی مصنوعی ، مشهد