عنوان پایان‌نامه
بررسی پیش بینی پذیری خشکسالی در مقیاس حوضه ای
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59609;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5830
- تاریخ دفاع
- ۲۷ شهریور ۱۳۹۱
- دانشجو
- سارا اقبالی
- استاد راهنما
- شهاب عراقی نژاد
- چکیده
- در مطالعه حاضر، به منظور بررسی پیشبینیپذیری خشکسالی در حوضه آبریز گرگانرود، از دادههای بارش و آبدهی 28 ایستگاه هواشناسی و شش ایستگاه هیدرومتری طی دوره آماری 32 ساله (1384-1353) استفاده شد. ابتدا با انجام تحلیلهای اولیه، ویژگیهای آماری خشکسالی(میانگین بارش و متوسط آبدهی) و مقادیر شاخص بارش استاندارد(SPI) محاسبه شد. تحلیل استاتیک اطلاعات با محاسبه احتمال انتقالهای سالانه و فصلی و تحلیل فرکانس 5، 10، 20، 50 و 100 ساله صورت گرفت. تحلیل دینامیک نیز با بهکارگیری مدل شبکه عصبی آماری پیشبینی خشکسالی، سیگنالهای بزرگ مقیاس اقلیمی و احتمال انتقالهای فصلی انجام شد. نقشههای مربوط به احتمال انتقالهای فصلی و سالانه در تحلیلهای استاتیک و دینامیک، با استفاده از نرمافزار GIS تهیه شد. به طور کلی میتوان گفت که پیشبینی شرایط خشک، نرمال و تر به کمک نقشههای GIS، برای فصل زمستان بهتر و صحیحتر از فصل بهار، صورت گرفته است. به نظر میرسد مقادیر احتمال انتقال چندمتغیره نسبت به احتمال انتقال یکمتغیره، نتایج بهتری نداشته است بلکه با وجود دشواری محاسبه احتمال انتقال چندمتغیره، در برخی موارد نتایج ضعیفتری نیز حاصل شده است. همزمانی پدیده النینو و ترسالی در حوضه گرگانرود برای سالهای 66-65، 71-70، 76-75، 77-76، 83-82 و 84-83 و نیز همزمانی پدیده لانینا و خشکسالی در حوضه برای سالهای 54-53، 55-54، 64-63 و 78-77 مشاهده شد. با توجه به مقادیر درصد خطای پیشبینیپذیری برای ایستگاههای هیدرومتری، مشاهده میشود که پیشبینیهای حاصل از عملکرد شبکه عصبی آماری، در مقیاس سالانه، بهترین نتیجه را داشته است. از میان شش ایستگاه هیدرومتری، ایستگاههای گالیکش و زرینگل بهترین نتیجه را از برآوردهای شبکه عصبی داشتهاند. در مورد ایستگاههای هواشناسی، برآوردهای مربوط به فصل زمستان، بیشترین نزدیکی به واقعیت را نشان میدهند. ایستگاههای هواشناسی گنبد، سیاهاب، غازمحله و سدگرگان بهترتیب بهترین نتیجه را از پیشبینیهای شبکه عصبی، حاصل کردهاند و پیشبینیپذیرترین ایستگاهها بودهاند. کلمات کلیدی: خشکسالی، گرگانرود، احتمال انتقال، GIS، شبکه عصبی آماری
- Abstract
- In the present study, to investigate the predictability of drought in the Gorganrood basin, precipitation and discharge of 28 meteorological stations and 6 gauging station during a 32-year period (1353-1384) have been used. Beginning with an initial analysis, the statistical characteristics of drought (average precipitation and average discharge) and the values of the Standardized Precipitation Index (SPI) were calculated. Static analyses were done by annual and seasonal transitions with the calculated probability and frequency analysis, 5, 10, 20, 50 and 100 years respectively. Dynamics analysis using statistical neural network model to predict drought, large-scale climatic signals and seasonal transmission were used in this study. Transmission of seasonal and annual maps of the static and dynamic analysis, using GIS software was developed. In general it can be said that the prediction of dry, wet and normal maps using GIS, for spring season is more accurate than the winter. It seems possible values of multivariable transfer univariate transition probability, but there is nothing better results difficult to calculate the probability of multivariable transfer, in some cases the results have been of less accurate. Synchronization phenomena of wet events for the years 65-65, 70-71, 75-76, 76-77, 82-83 and 83-84 and synchronization phenomenon of La Nina events and droughts in the basin for the years 53-54, 54 - 55, 63-64 and 77-78 were observed. The percent error values of predictability for hydrometric stations, observed that the predictions obtained from the neural network performance statistics on an annual scale, has had the best results. Of the six hydrometric stations Galykash and Zaringol have the best of the neural network estimates. As far as the weather stations are concerned, estimates of winter were closest to the observed events. Weather stations of Ghonbad, Siah ab, Ghazmahaleh and sadgorgan demonstrated the best neural network predictions. Key Words: Drought, Gorganrood, transition probability, GIS, statistical neural network
