پیش‌آگاهی فصلی دبی ورودی به دریاچه‌ی ارومیه با استفاده از سیگنال‌های بزرگ مقیاس اقلیمی

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

هدف  اصلی این مطالعه بررسی تأثیر سیگنال‌های اقلیمی بر دبی دو ایستگاه منتخب و نوسان آب دریاچه ارومیه، طیّ دوره‌ی 22 ساله (2007-1986) می‌باشد. برای این کار ازداده‌های دو ایستگاه منتخب، داده‌های ماهانه  شاخص نوسان جنوبی  SOI، نوسان اطلس شمالی NAO و شاخص ENSO در مناطق NINO1+2, NINO3, NINO4و NINO3.4 استفاده شد. داده‌های مربوط به سیگنال‌های بزرگ مقیاس اقلیمی از مرکز داده‌های NCEP تهیه گردید. داده‌های مربوط به میانگین دبی ماهانه ایستگاه‌های داشبند و ساریقمیشنیز از مرکز داده‌های وزارت نیرو تهیه گردید. ابتدا به منظور بررسی اولیه داده‌ها و همبستگی بین آنها برای تهیه مناسب‌ترین مدل پیش­بینی دبی، گام­های زمانی 0، 3 و 6 ماهه مد نظر قرار گرفت. در بررسی دبی در بازه‌های زمانی مختلف، ایستگاه‌های مورد مطالعه، نتیجه شد، همبستگی در بازه‌ی زمانی تأخیری شش‌ماهه بیشتر از بازه‌های زمانی همزمان و تأخیری سه ماهه است.پس از تبیین ارتباط و نوع آن، مدل پیش‌بینی با استفاده از شبکه‌ی عصبی مصنوعی طراحی گردید و نتایج حاصل از این مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. با توجه به همبستگی‌های معنی‌دار در بازه‌های زمانی این نتیجه گرفته شد، که شاخص‌های بزرگ مقیاس اقلیمی از نظر گردش عمومی جو و متأثر نمودن سیستم‌های بزرگ جوی در منطقه‌ی مورد مطالعه بر دما، بارش و دبی و نوسان آب دریاچه‌ی ارومیه تأثیر معنی‌داری می‌گذارند. بررسی مدل‌های خروجی از نرم‌افزار شبکه‌ی عصبی مصنوعی نشان داد، که مؤثرترین سیگنال‌ها بر دبی به ترتیب NINO3.4, NINO3, NINO1+2 و کم‌اثرترین سیگنال‌ها به ترتیب  NAO ,SOIمی‌باشند. با توجه به یافته‌های تحقیق حاضر می‌توان این‌طور نتیجه‌گیری کرد که ارتباط معنی‌داری بین دبی با سیگنال‌های اقلیمی و جود دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Seasonal Prediction of Discharge Entering in to Uremia Lake by Using Climatic Large Scale Signals

نویسندگان [English]

  • Omosalameh Babaee Fini
  • Ebrahim Fattahi
چکیده [English]

 
The main objective of this study is to evaluate the effects of climatic signals on the discharge rate of the two nominated  stations and fluctuation  of Uremia lake water, during  the time period of 22-years (1986-2007).To do this, data of the two nominated  stations, monthly data of Southern Fluctuation Index (SOI), North Atlantic fluctuation (NAO) and ENSO index in NINO1+2, NINO3, NINO4 and NINO3.4 were used. Large-scale climatic data signals were obtained from NCEP data center. Data about average monthly discharge rate of  Dashband  and Sarighmish stations was prepared from  the data center of the Ministry of Energy. Firstly, for primary study  of the data and the correlation between them in order to provide the best model to predict discharge rate , time steps of  0, 3 and 6 months were considered. In examining the discharge  rate in  various time intervals of the under study stations,  it was obtained that  the correlation in the delayed  time  intervals of six-months is more than the simultaneous and three months delay. After explaining the relation and its type, the forecasting model was designed using artificial neural network and the results of the model were evaluated and analyzed. Given the significant correlation in time intervals, it was realized that large-scale climatic indices, from the view point of common atmospheric circulation and large atmospheric systems in the study area have a significant impact on temperature, rainfall , discharge rate  and fluctuation of Uremia lake water. Study the output models of artificial neural network indicates that the most effective signals of the discharge rate is NINO3.4, NINO3, NINO1+ 2and least effective  signals are NAO, SOI. According to the findings, it can be concluded that a significant relationship exists between discharge rate and climatic signals.

کلیدواژه‌ها [English]

  • Prediction
  • ANN (Artificial Neural Network)
  • Correlation
  • Large-scale climatic signals
  • Input discharge
  • Uremia Lake