شاخص‌های پیش‌آگاهی خشکسالی در ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

    خشکسالی یکی از رخدادهای جوی است که سبب بروز خسارات زیادی می­شود. در این مطالعه از داده­های سیگنال­های بزرگ مقیاس اقلیمی استفاده شده است. سیگنال­های بزرگ مقیاس اقلیمی یکی از عوامل و پارامترهایی هستند که می­توانند در تحلیل تغییرات فصلی و سالانه­ی بارش و دما مؤثر باشند. در این تحقیق از داده­های ماهانه­ی شاخص نوسان جنوبی (SOI)، شاخص (NAO) و پدیده ENSOدر مناطقNINO3.4, NINO3, NINO4 و NINO1+2 استفاده شد. تمامی داده­های مربوط به سیگنال­های فوق از مرکز داده­های آنالیز شده NCEP طی سال­های 1960 تا 2000 دریافت گردید. برای تعیین مهمترین سیگنال­های مؤثر بر بارش نواحی مختلف کشور از روش رگرسیون چندمتغیّره استفاده شد. نتایج تحلیل رگرسیونی نشان داد که تقریباً در تمامی ایستگاه­های مورد مطالعه شاخص ENSOدر مناطقNINO1+2،  NINO3پراهمیت­ترین سیگنال در بارش می­باشد. در این تحقیق با استفاده از شبکه­­ی عصبی مصنوعی، پیش­بینی بارش برای بازه­های زمانی همزمان، سه ماه و شش ماه آینده انجام گردید. تحلیل نتایج خروجی مدل شبکه عصبی با داده­های مشاهده­ای نشان داد که طی فاز گرم ENSO و فاز منفی NAO شرایط ترسالی و طی فاز سرد ENSO و مثبت NAO شرایط خشکسالی در سطح ایران به وقوع می­پیوندد.

کلیدواژه‌ها


عنوان مقاله [English]

Drought Early Warning Methods over Iran

نویسندگان [English]

  • abdolah Sedaghat Kerdar
  • ebrahim Fatahi
چکیده [English]

Drought is one of the atmospheric events that causes great casualties. In this study, the main goal of this research is long rang prediction of drought as large scale climatic signals data were used. Large scale climatic signals are among parameters that are used in analysis of seasonal and annual variations of temperature and precipitation. In this research, data of monthly Southern Oscillation Index (SOI), Northern Atlantic Oscillation (NAO) index and Nino indices like NINO4, NINO3, NINO3.4 and NINO1+2 with ENSO phenomenon were used. All data concerning the above signals for the period 1960-2000 were received from National Center of Environmental Prediction (NCEP). To determine the most important effective signals on precipitation in different regions of the country, multi-regression method was used. Results of such a regression analysis showed that the most important signals causing precipitation are NINO1+2, and NINO3 indices. In this research, using Artificial Neural Network (ANN) method, prediction of precipitation in simultaneous lead time periods of three and six months was done. Comparison of ANN model results with observed data showed that the wet periods correspond with warm phases of ENSO and negative NAO, whereas cold phases ENSO and positive NAO associate with drought years in Iran.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Climatic Signals
  • drought
  • Multi-Regression Method
  • Northern Atlantic Oscillation (NAO)
  • Southern Oscillation Index (SOI)