عنوان پایان‌نامه
تاثیر سیگنال های اقلیمی بزرگ مقیاس بر بارش در حوزه آبخیز مهارلو بختگان
- رشته تحصیلی
- مهندسی منابع طبیعی - -آبخیزداری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5586;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59744
- تاریخ دفاع
- ۲۵ شهریور ۱۳۹۲
- دانشجو
- بهرام چوبین
- استاد راهنما
- شهرام خلیقی سیگارودی, آرش ملکیان
- چکیده
- ایران کشوری است با اقلیم خشک و نیمه خشک که در سالیان اخیر با خشکسالی‌های زیادی در مناطق مختلف خود مواجه بوده است، بنابراین توجه به مقدار بارش و پیش‌آگهی از آن در برنامه‌ریزی منابع آب، مدیریت کشاورزی و خشکسالیها مهم است. در این تحقیق بعد از انتخاب موثرترین شاخصهای اقلیمی با روش تجزیه مولفه‌های اصلی، تاثیر سیگنالهای اقلیمی بزرگ مقیاس بر شاخص بارندگی استاندارد (SPI) سالیانه، فصلی و ماهیانه (یک، سه، شش و 12 ماهه) حوزه آبخیز مهارلو-بختگان به صورت همزمان و با تاخیر توسط روشهای آماری (ضریب همبستگی متقاطع و پیرسون) مورد بررسی قرار گرفت و سپس با استفاده از مدلهای رگرسیون گام به گام، سیستم استنتاج فازی-عصبی تطبیقی و شبکه عصبی مصنوعی اقدام به پیشبینی سری زمانی SPI تا 2، 4، و 12 گام روبه جلو به ترتیب در مقیاس سالیانه، فصلی و ماهانه شد. نتایج همبستگی متقاطع نشان داد که بیشتر شاخصها با تاخیر زمانی مختلف با شاخص بارندگی استاندارد معنادار شدهاند. در بررسی فصل به فصل سیگنالها با شاخص بارندگی استاندارد با استفاده از ضریب همبستگی پیرسون مشخص شد که سیگنالهای اقلیمی فصل بهار و تابستان ارتباط معنیداری با SPI ندارند. مقایسه نتایج پیشبینی SPI توسط سه مدل رگرسیون گام به گام، سیستم استنتاج فازی-عصبی تطبیقی و شبکه عصبی مصنوعی حاکی از عملکرد بهتر مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر است. به طوریکه این مدل در بیشتر پیشبینیها در یک گام به جلو بهترین عملکرد را نشان داد.
- Abstract
- In Iran, we are challenging with many areas that have arid and semi-arid climates and drought events, so, it is necessary to give more attentions to precipitation. Pre-knowledge about the amount of possible precipitation is important in planning water recourses, management of agriculture and droughts. At this study, after selecting the most effective climate indices with PCA method, the effects of large-scale climate signals in yearly, seasonality and monthly (one, there, six and 12 monthly) standard precipitation index (SPI) of Maharlu - Bakhtegan basin simultaneously and the delay has been analyzed by statistical methods (Pearson correlation and cross-correlation coefficient), so SPI time series was forecast by using stepwise regression, Anfis model and artificial neural network to 2, 4 and 12 ahead for yearly, seasonality and monthly time scales, respectively. The results of cross-correlation showed that most of indices are significant with lag time with standardized precipitation index. In study season to season of the signals with the standard precipitation index using Pearson's correlation coefficient it was found that are not correlated climate signals spring and summer with SPI. Comparing the results forecast of SPI by stepwise regression, neural network and Anfis models indicated that ANN model has better performance than the other two models. So that, this model has in one step ahead the best performance at most of forecasts.
