بررسی امکان برآورد تبخیر با استفاده از داده‌های النینو ایستگاه خرم آباد

نوع مقاله: مقاله علمی -پژوهشی

نویسندگان

1 دکترای اقلیم شناسی، واحد نجف آباد، دانشگاه آزاد اسلامی.

2 استادیار اقلیم شناسی، گروه جغرافیای طبیعی، دانشگاه اصفهان.

3 استادیار اقلیم شناسی، واحد نجف آباد، دانشکده علوم انسانی، دانشگاه آزاد اسلامی.

4 استادیار مرکز تحقیقات کشاورزی لرستان، خرم آباد

چکیده

النینو از پدیده‌های مهم اقلیمی است که تأثیر زیادی بر متغیرهای اقلیمی نقاط مختلف کره زمین دارد. با توجه به نقش تبخیر در مطالعات منابع آب، بررسی تأثیر پدیده النینو بر این متغیر اقلیمی، از اهمیت شایانی برخوردار است. هدف از این پژوهش بررسی امکان برآورد تبخیر در ایستگاه همدید خرم آباد با استفاده از داده‌های النینو و با کمک مدل شبکه عصبی مصنوعی است. بدین منظور، داده‌های تبخیر ماهانه ایستگاه به مدت 29 سال از 1992 تا 2011 از پایگاه داده سازمان هواشناسی کشور و داده‌های النینو از سایت نوآ استخراج گردید. سپس با استفاده از مدل شبکه عصبی مصنوعی به تجزیه و تحلیل داده‌ها پرداخته شد. نتایج نشان داد که از میان موقعیت‌های النینو تنها در Nina1 و Nina3 با تبخیر در ایستگاه مورد مطالعه ارتباط وجود دارد. با مقایسه داده‌های مشاهده‌ای تبخیر و خروجی شبکه عصبی، میزان همبستگی این داده‌ها 78 درصد می‌باشد. بین داده‌های النینو و خروجی شبکه عصبی همبستگی برقرار شد که میزان آن ۹۹/۰ است. بنابراین با توجه به بالا بودن همبستگی بین داده‌های النینو و خروجی شبکه عصبی و با استفاده از معادله رگرسیون خطی می‌توان برای ماه‌های بدون داده، با دقت 99 درصد، نسبت به برآورد تبخیر در ایستگاه خرم آباد، اقدام نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Investigate the Possibility Estimating Evaporation Using El Nino in Khoramabad Synoptic Station

نویسندگان [English]

  • Enayatollah Rahmati 1
  • Majid Montazeri 2
  • Amir Gandomkar 3
  • Mehran Lashanizand 4
1 Ph.D. of Climatology, Najafabad Branch, Islamic Azad University.
2 Assistant Prof. of Climatology, University of Isfahan.
3 Assistant Prof. of Climatology, Najafabad Branch, Islamic Azad University.
4 Assistant Prof. of Agricultural Research Center of Lorestan Province, Khorramabad.
چکیده [English]

Abstract
    El Nino is a climate phenomenon that affect many in climate variables in the parts of the earth. Due to the evaporation Role of water Study, the El Nino effect on climate parameters, will be important. In this study, using data from the El Nino and with the help of artificial neural networks to estimate evaporation in Khorramabad station has been studied. Monthly evaporation data in station for 29 years from 1992 to 2011 and El Nino data by the NOAA website provided and using artificial neural network analysis were investigated.The result indicate that from El Nino condition in Nina1 and Nina3 related with evaporation in station. By comparing the observed data evaporation and output neural network, data correlation is 78%. The correlation between El Nino and neural network output and the rate is 99 percent. Therefore, due to the high correlation between El Nino and output data network using the correlation equations can be used for months without data, to estimate the evaporation with 99 percent accuracy.

کلیدواژه‌ها [English]

  • evaporation
  • El Nino
  • sea surface temperature
  • Artificiale Neural Network

تنیان، سارا، سبزی پرور، علی اکبر و صفر معروفی (1388)، ارزیابی تأثیر پدیده انسو بر میزان تبخیر و تعرق مرجع فصلی در اقلیم‌های سرد ایران، همایش ملی انسان، محیط زیست و توسعه پایدار، دانشگاه آزاد همدان، 1388.

حق نگهدار، امین، ثقفیان، بهرام و روح انگیز اختری (1386)، بررسی میزان تأثیر پدیده النینو ـ نوسان جنوبی بر سیلاب‌های حداکثر سالانه جنوب غرب ایران، مجله آب و فاضلاب، سال هجدهم، شماره 64، صص ۶۶-۷۸.

خوشحال دستجردی، جواد و سیدمحمد حسینی (1389)، کاربرد شبکه‌های عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی، مجله جغرافیا و برنامه‌ریزی محیطی، شماره 39، صص 120-107.

رضایی صدر، حسن و عبدالکریم بهنیا (1387)، بررسی رابطه بین پدیده النینو ـ نوسانات جنوبی و خشکسالی در جنوب غرب ایران، کنفرانس بین المللی بحران آب، دانشگاه زابل.

زارع ابیانه، حمیدرضا و مریم بیات ورکشی (1391) مطالعه تأثیرپذیری تعداد روزهای بارانی از پدیده انسو در ایران، دوماهنامه پژوهش‌های حفاظت آب و خاک سال نوزدهم، شماره یک، صص ۲۱-۴۰.

 سرداری، سروش، سلطانی، سعید، شیخ پور، مژگان و سیده صغری موسوی (1389)، شبکه‌های عصبی مصنوعی، تهران، نشر نص.

علیزاده، امین، عرفانیان، مریم و حسین انصاری (1390)، بررسی الگوهای پیوند از دور مؤثر بر متغیرهای بارش و دما (مطالعه موردی: ایستگاه سینوپتیک مشهد)، نشریه آبیاری و زهکشی ایران، دوره 5، شماره 2، صص ۱۷۶-۱۸۵.

یوسفی، نصرت اله و سهراب حجام (1391)، بررسی تأثیر پدیده انسو بر متغیرهای اقلیمی دما و بارش دشت قزوین، فصلنامه فضای جغرافیایی، شماره 39، صص ۱۹۵-۲۱۰.

Cullen, H. M. and B. P. Menocal. (2000), North atlantic Influence on Tigris_Euphrates Stream Flow. Int. Journal of Climatology, 20: 853-863.

Drake. F(2000) Global warming the science of climat chang. ARNOLD, 273pp.

Kiladis, G.N. and H.F. Diaz, 1989, Global climate anomalies associated with extremes in the Southern Oscillation. J. Climate, 2, 1069-1090.

Kisi O (2006) Daily Pau evaporation modelling using a Neural – fuzzy computing technique. J. Hidrol.329:636-646.

Mc Caffie. K, and Henderson. S (2006) A climat modelling primer, John willey & sons.

Moran. V. and G. Plaut., 2003. The impact of Elnino-Southern Oscillation upon weather regimes over Europe and the North Atlanticduring Boreal winter. International Journal of Climatology. 23(4): 363-379.

Quinn. W. H. D. O. Zopf, K. S. Short and R. T. W. Kuo Yang (1988), historical Trends and Statistics of the Southern Oscillation, El Nino and Indonesian Droughts, Fish. Bull., 76, 663-678.

Rajagopalan, B., E. Cook, U. Lall, and B. K. Ray. (2000). Spatiotemporal variability ofENSO and SST teleconnections to summer drought over the United States during the twentiet

century. J. Climate, 13: 4244–4254

Serrano, S. M. V. (2006), "EL Nino and La Nino influence on droughts at different timescales in the Iberian Peninsula", European Geosciences Union, Geophysical Research 8:1-18.

Sungwon, K. Hongkee, J. (2006), an expansion of the ungaged pan evaporation using Neural Network model in rural region, South Korea world environmental and water resourses congress.

Sh. Araghinejad. E, Meidani (2013) A Revew of climate signals as predictors of long- term Hydro- climatic variability. J. of climate variabilitib. C. 5, pp. 107-133.

Tombul, M. and Ogul, E. (2006), Modeling of Rainfall-Runoff Relationship at the Semi- arid Small Catchments Using Artificial Neural Networks. Lecture Notes in Control and Information Sciences, 309-318.