بررسی نحوه اثرگذاری فاکتورهای پدیده دورپیوند مادن-جولیان (MJO) بر پیش بینی میزان بارش: مطالعه موردی حوضه گاماسیاب
- سال انتشار: 1398
- محل انتشار: سومین همایش ملی مدیریت منابع آب نواحی ساحلی
- کد COI اختصاصی: NCCLWRM03_050
- زبان مقاله: فارسی
- تعداد مشاهده: 465
نویسندگان
دانشجوی کارشناسی ارشد دانشگاه تربیت مدرس
استادیار دانشگاه تربیت مدرس
چکیده
بارش یکی از اجزای اصلی بیلان منابع آب بوده و پیش بینی آن میتواند در مدیریت تامین آب کشاورزی مدیریت منابع آب موجود در مخازن سدها و ... مفید باشد. درخت تصمیم به عنوان یکی از مدلهای پیشبینی، کارایی زیادی در این زمینه دارد و به تولید قانون میانجامد. در این پژوهش جهت رسیدن به اهداف از مدل درخت تصمیم جهت پیشبینی بارش به منظور بررسی نحوه اثرگذاری فاکتورهای پدیده دورپیوند مادن-جولیان (MJO) بر پیشبینی میزان بارش حوضه گاماسیاب استفاده شده است. در این پژوهش مقدار ضریب تعیین برابر با 0/2 و مقدار میانگین مربعات خطا برابر با 5 میباشد. در واقع این ضریب بیان میکند که مدل مورد استفاده با در نظر گرفتن فاکتورهای MJO، توانسته است 20 درصد از تغییرات بارش را توضیح دهد. فاکتور سال، بیشترین تاثیر را بر بارش این منطقه دارد که حدود 35/6 درصد از کل پیشبینی مدل را شامل میشود. با این وجود، اثرگذاری فاکتور سال دارای نوسانات بسیار زیادی بوده به نحوی که در برخی سالها اثر بسیار بالا و در سالهای دیگر اثر بسیار ضعیفی داشته است. این مساله باید در ارتباط با وجود سایر فاکتورهای مورد مطالعه در هر سال تبیین شود. در واقع شدت و میزان فاکتورهای MJO در هر سال است که بر بارش اثر میگذارد. بنابراین فاکتور سال به خودی خود معرف نیست و تنها نشانهای از شدت یا ضعیف بودن فاکتورهای موثر بر بارش در سال مورد نظر است. بعد از فاکتور سال، مهمترین عامل ماه است که 23/1 درصد از کل تغییرات را نشان میدهد. فاکتور روز 22/8 درصد، فاکتور RMM1 حدود 10 درصد، فازحدود 4/4 درصد، RMM2 حدود 2/7 درصد و در آخر کمترین میزان تاثیر شاخص MJO بر بارش این حوضه مقدار فاکتور amplitude است که در حدود 1/4 درصد میباشد و میتوان گفت حضور این فاکتور در بحث پیشبینی بارش بی اثر است. چرا که این فاکتور متشکل از دو فاکتور RMM1 و RMM2 است که تاثیرات این دو فاکتور بر بارش منطقه، از قبل قابل مشاهده میباشد.کلیدواژه ها
پدیده ی دورپیوند نوسانهای مادن-جولیان (MJO)، فاکتورهای نوسانهای مادن-جولیان، پیشبینی میزان بارش توسط الگوریتم درختهای رگرسیونی تقویت شده (GBM)، حوضه آبریز گاماسیاب.مقالات مرتبط جدید
- بررسی اثر کم آبیاری و زمان های کاربرد اسید سالیسیلیک بر شاخص های مورفولوژیک و عملکرد در جو (.Hordeum vulgar L)
- Optimizing Agricultural Profitability and EnvironmentalSustainability using Whale Optimization Algorithm in theMiyandoab Plain: An Integrated Hydrologic-Agronomic-Economic Model
- پیش بینی سری زمانی ورودی به سد با روش یادگیری عمیق(مطالعه موردی:سد جیرفت)
- قنات دهنو علی آباد،شهرستان ملایر کاندید ثبت در مرکز بین المللی قنات یونسکو
- تعیین حریم هیدرولیکی قنات با استفاده از سیستم اطلاعات جغرافیایی (مطالعه موردی:قنوات دشت همدان)
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.