توسعه مدل پیش بینی وقوع خشکسالی؛ مطالعه موردی شهرستان آبیک استان قزوین

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 299

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-7-3_012

تاریخ نمایه سازی: 15 تیر 1398

چکیده مقاله:

بهره برداری بهینه از سیستم های منابع آب درکشور، مستلزم ارتقاء دقت پیش بینی و برآورد زمان وقوع خشکسالی است. یکی از مهم ترین مسائل در پایش و پیش بینی خشکسالی انتخاب شاخص متناسب با منطقه است. در این تحقیق ضمن محاسبه دو شاخص SPI و CZI در دو مقیاس زمانی کوتاه مدت و میان مدت با استفاده از مقادیر بارندگی دو ایستگاه بارانسجی با طول دوره آماری 43 ساله (1351-1394) در شهرستان آبیک، اقدام به پیش بینی خشکسالی با استفاده از شبکه عصبی چندگامه مستقیم در شش ماه بعد گردید. جهت بررسی میزان توافق طبقات کیفی بین مقادیر پیش بینی شده با مقادیر مشاهده شده از آماره کاپا- کوهن استفاده گردید. نتایج حاصل از استفاده ی این شبکه، نشان از کارایی قابل قبول آن در پیش بینی چند ماه بعد خشکسالی هواشناسی داشت. همچنین آماره کاپا-کوهن نشان داد، با افزایش گام پیش بینی از میزان تشابه بین مقادیر پیش بینی و مشاهده ای در طبقات کیفی خشکسالی در دو شاخص مذکور کاسته شده و با افزایش مقیاس زمانی از 3 به 9 ماهه، میزان تشابه افزایش می یابد. نتایج حاصل از پیش بینی نشان داد که ایستگاه زیاران بواسطه قرارگیری در مرکزثقل حوزه، کارایی مناسبی دارد، لذا انتخاب مناسب ایستگاه در مباحث مربوط به پیش بینی کمک شایانی به بهبود عملکرد مدل ها می نماید. در نهایت نتایج این تحقیق می تواند در پیش بینی زمان وقوع خشکسالی حداقل برای 6 ماه آینده مفید بوده و کمک شایانی به مدیران در بخش برنامه ریزی کلان آب و منابع آبی در کشور نماید.

کلیدواژه ها:

منابع آبی در کشور نماید. واژه های کلیدی: پیش بینی ، خشکسالی ، آماره کاپا ، CZI ، SPI

نویسندگان

فاطمه مقصود

علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس

ام البنین بذرافشان

گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • بذرافشان، ا.، ع. سلاجقه، ا. فاتحی مرج، م. مهدوی، ج. ...
  • جهانگیر، م. ح.، م. خوش مشربان، و ح. یوسفی.1394. پایش ...
  • حجابی، س. 1390. مطالعه تطبیقی روش های پیش بینی خشکسالی ...
  • خوشحال دستجردی، ج. و س. م. حسینی. 1389. کاربرد شبکه ... [مقاله ژورنالی]
  • رضایی، م.، و ه. هادیان. 1394. کاربرد سری های زمانی ...
  • عزیزی، ق. 1382. ارتباط خشکسالی های اخیر و منابع آب ...
  • عیوضی، م.، مساعدی، ا. و ا. ا. دهقانی. 1388. مقایسه ... [مقاله ژورنالی]
  • قبایی سوق، م.، و ا. مساعدی. 1391. طراحی و فرایند ...
  • Basheer I. A., and M. Hajmeer. 2000. Artificial neural networks: ...
  • Belayneh, A., J. Adamowski, and B. Khalil. 2016. Short-term SPI ...
  • Borji, M., A. Malekian, A. Salajegheh, and M. Ghadimi. 2016. ...
  • Cohen, J. 1968. Weighted kappa: nominal scale agreement with provision ...
  • Dastorani, M.T., and H. Afkhami. 2011. Application of artificial neural ...
  • Hayes, M.J., M.D. Svoboda, D.A. Wilhite, and O.V. Vanyarkho. 1999. ...
  • Ju, X.S., X.W. Yang, L.J. Chen, and Y.M. Wang. 1997. ...
  • Kendall, M. G., and A. Stuart. 1977. The Ad_anced Theory ...
  • Kim, T., J. B. Valdes, and J. Aparicio. 2003. Frequency ...
  • McKee, T. B., N. J. Doesken, and J. Kleist. 1993. ...
  • Mishra, A. K., and V. R. Desai. 2006. Drought forecasting ...
  • Mishra, A. K., V. R. Desai, and P. Singh. 2007. ...
  • Nasri , M. 2010. Application of artificial neural networks (ANNs) ...
  • Shahabfar, A. R., and J. Eitzinger. 2013. Spatio-temporal analysis of ...
  • Wu, H., and M. J. Hayes. 2001. An evaluation of ...
  • Zahraie, B., and M. Karamouz. 2004. Seasonal precipitation prediction using ...
  • Zarei, A. R., and S. Eslamian. 2017. Trend assessment of ...
  • نمایش کامل مراجع