بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کره زمین و شبیه سازی عددی آن با استفاده از شبکه عصبی مصنوعی

در این تحقیق داده های مربوط به ناهنجاریهای دمایی کره زمین و بارش متوسط سالیانه ایستگاه تبریز در طی دوره آماری ۱۹۵۱-۲۰۰۵ استفاده شده اند. روشهای اصلی به کار گرفته شده در این مطالعه عبارت است از روش تعیین ضریب همبستگی پیرسون، تحلیل مولفه روند سری های زمانی، رگرسیون خطی ساده و رگرسیون پولی نومیال به عنوان یک روش نیمه خطی و شبکه های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معکوس معنا داری بین بارش سالیانه تبریز و ناهنجاریهای دمایی کره زمین است. این به آن معنا است که غالبا با منفی شدن ناهنجاریهای دمایی کره زمین، بارش سالیانه تبریز افزایش پیدا کرده و ترسالی به وقوع می پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالیانه تبریز کاهش پیدا کرده و خشکسالی به وقوع می پیوندد. تحلیل مولفه روند بلندمدت سری های زمانی نشان می دهد که در طول دوره آماری از بارش متوسط سالیانه تبریز کاسته می شود، اما روند ناهنجاریهای دمایی کره زمین روندی افزایشی از خود نشان می دهد. ارتباط بارش متوسط سالیانه تبریز با گرمایش جهانی نیز با استفاده از شبکه های عصبی مصنوعی شبیه سازی شده است. نتایج حاصل از کاربرد روشهای مختلف در این مطالعه نشان می دهد که روش شبکه عصبی مصنوعی در مقایسه با روشهای رگرسیون خطی ساده و رگرسیون نیمه خطی پولی نومیال درجه ۶، روش شبیه سازی بهتر و دقیقتر است. روشهای مختلف شبکه های عصبی مصنوعی به کار گرفته شده در این مطالعه نشان می دهد که روش پرسپترون چند لایه با ۳ لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار عالی در پیش بینی همبستگی بین سری ها دارد.

کلیدواژه ها:

Annual precipitation ، Rainfall trend ، Regression methods ، artificial neural networks ، Multi-layer perceptron (mlp) ، Climate Change ، Tabriz ، تبریز ، بارش سالیانه ، روند بارش ، روشهای رگرسیون ، شبکه های عصبی مصنوعی ، پرسپترون چند لایه ، تغییر اقلیم