پیش بینی خشکسالی با استفاده از سیگنال های بزرگ مقیاس اقلیمی و شبکه های عصبی در منطقه مرکزی ایران
- سال انتشار: 1391
- محل انتشار: سازمان تحقیقات، آموزش و ترویج کشاورزی
- کد COI اختصاصی: R-1054021
- زبان مقاله: فارسی
- تعداد مشاهده: 401
نویسندگان
چکیده
خشکسالی یکی از بلایای طبیعی میصباشد که خسارات زیادی به زندگی انسان و اکوسیستمصهای طبیعی وارد میص آورد. با توجه به قرار گرفتن ایران در کمربند خشک و نیمه خشک دنیا هیچ منطقهصای از کشور از این پدیده در امان نیست و به نسبت موقعیت طبیعی خود تاثیرات این پدیده مخرب را تجربه می نماید. لذا بروز خشکسالی های شدید و گسترده در کشور ممکن است آسیب های بسیاری را هر ساله بر پیکره اقتصادی بخشی از کشور تحمیل کند. یکی از راهکارهای مهم برای کاهش خسارات ناشی از خشکسالی، شناخت صحیح این پدیده می-باشد. این تحقیق سرآغاز فصلی تازه در شبیه سازی و پیش بینی طولانی مدت بارش توسط مدل های ریاضی می باشد. هدف از این تحقیق شبیه سازی و پیش بینی بارش در ناحیه مرکزی ایران با استفاده از سیگنال های بزرگ مقیاس اقلیمی و شبکه عصبی مصنوعی برای طولانی مدت است. مدل مورد استفاده در این شبیهصسازی شبکه های عصبی است که بعنوان هسته مرکزی یک سیستم مدل سازی در نظر گرفته شده است. قبل از ورود داده های شبیه ساز به مدل شبکه عصبی یک سیستم و شبکه فیلترینگ MIMO، MISO، SISOبا پیچیدگی بالا جهت تحلیل و انتخاب بهترین ترکیب در ساخت داده های ورودی به شبکه عصبی طراحی و ساخته شد. هدف از طراحی این شبکه فیلترینگ تولید سیگنال های سفید از ترکیب سیگنال های بزرگ مقیاس اقلیمی است. سیگنال های سفید تولید شده بعنوان ورودی مدل شبکه عصبی در مدل سازی بکار میصرود. در این تحقیق همبستگی 24 سیگنال شاخص اقلیمی با بارندگی و خشکسالی در ایران مرکزی مورد بررسی قرار گرفت. نتایج حاکی از آن بود که سیگنالهای PDO،NINO4.3 , SWMO،MEI تاثیر بیشتری بر نوسانات بارش در منطقه مرکزی ایران نسبت به مابقی سیگنالصها دارند. نتایج حاصل از پیشصبینی بارش نشان از مقدار بارش نزدیک به نرمال با گرایش بسیار کمی به سمت کاهش از حد نرمال برای زمستان در منطقه مرکزی دارد. اما به طور کلی تحقیق مذکور نشان داد که بارش بخش های عظیمی از فلات مرکزی ایران شامل ایستگاهصهای اصفهان،کاشان، یزد و طبس و به طور کلی تمامی مناطقی که به نواحی کویری و مرکز ایران نزدیک هستند به طور دقیق و قابل قبول در ارتباط با سیگنال های اقلیمی قابل پیشصبینی نمی باشد. این مسیله احتمالا به دلیل وجود تاثیرات سیگنال های محلی ناشی از اقلیم خشک مناطق مرکزی می باشد. هرچه شهرها به مناطق کویری نزدیکتر باشند، مدت زمان پیش بینی افزایش یافته و بالعکس دقت و قدرت پیش بینی کاهش می یابد. پیشنهاد میصگردد ارتباط متغیرهای دیگر موثر برخشکسالی مانند پوشش برفی، پوشش گیاهی و رطوبت خاک مورد بررسی قرار گیرد. واژگان کلیدی: سیگنال بزرگ مقیاس اقلیمی، شبکه عصبی، بارش، شبیه سازی، پیش بینیکلیدواژه ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.