امکان سنجی پیش بینی خشکسالی سالانه بر اساس وضعیت خشکسالی در فصل بهار (پژوهش موردی ارازکوسه)

Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 202

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IDJ-9-4_008

تاریخ نمایه سازی: 25 اردیبهشت 1400

Abstract:

خشکسالی که به کمبود بارش نسبت به متوسط آن طی یک دوره زمانی گفته می شود از مهم ترین مباحث در زمینه هواشناسی است و پیش بینی آن می تواند نقش موثری در مدیریت منابع آب ایفا نماید. به همین دلیل، هم از روش های مختلف مدل سازی و هم از متغیرهای متعدد تاثیرگذار بر خشکسالی برای پیش بینی آن استفاده شده است. در این پژوهش با بررسی تاثیر بارش های بهاره بر وضعیت خشکسالی سالانه، امکان برآورد وضعیت خشکسالی سالانه بر پایه بارش بهاره مورد ارزیابی قرار گرفته است. برای این منظور ایستگاه ارازکوسه واقع در استان گلستان با ۴۵ سال آمار روزانه به­عنوان منطقه مطالعاتی در نظر گرفته شد و پس از محاسبه شدت خشکسالی در بازه های زمانی ۱، ۳ و ۱۲ ماهه بر اساس نمایه بارش استاندارد شده (SPI)، ماتریس همبستگی بین نمایه SPI در بازه های زمانی مختلف تشکیل شد. نتایج به­دست آمده نشان می دهد که بیش­ترین همبستگی بین وضعیت خشکسالی سالانه با خشکسالی در فصل بهار به­دست می آید. برای افزایش دقت پیش بینی، نمایه های خشکسالی ماه های فصل بهار نیز اضافه و در مدل درختی M۵ وارد شد. نتایج نشان داد خشکسالی سالانه بر اساس بارش های بهاره با ضریب همبستگی ۸۹/۰ و جذر میانگین مربعات خطای ۵۷/۰ قابل پیش بینی است.

Authors

خلیل قربانی

استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

میثم سالاری جزی

استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

محمد عبدالحسینی

استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • ابراهیمی،ل و بارانی،غ. ۱۳۸۴. معرفی مدل تلفیقی تبدیل موجکی و ...
  • آشگر طوسی،ش.، علیزاده،ا و شیرمحمدی،ر. ۱۳۸۴. مدل­سازی SARIMA بارندگی­های فصلی ...
  • حجابی،س.، بذرافشان.ج و بختیاری،ب. ۱۳۸۹. مقایسه کارایی مدل های ARIMA ...
  • خلیلی،ک. ۱۳۸۰. آنالیز فرکانس خشکسالی و طرح مخازن برای مصارف ...
  • سامتی،م.، قهرمان،ن و قربانی،خ. ۱۳۹۲. کاربرد مدل M۵ در برآورد ...
  • شریفان،ح و قربانی،خ. ۱۳۹۳. بهبود برآورد تبخیر تعرق پتانسیل با ...
  • ظهیری،ع و قربانی،خ. ۱۳۹۲. شبیه­سازی دبی جریان در مقاطع مرکب ...
  • عابدینی،ا.، ایزدی،ع.، کاردان مقدم،ح و علیدوست،ا. ۱۳۸۸. پیش­بینی شاخص خشکسالی ...
  • قربانی،خ.، خلیلی،ع.، علوی پناه،س.ک و نخعی زاده،غ. ۱۳۸۹. مطالعه تطبیقی ...
  • مساعدی،ا.، دهقانی،ا و عیوضی،م. ۱۳۸۸. بررسی طول دوره­ی قابل پیش­بینی ...
  • دهقانی،ا.، قربانی،خ و کوهستانی،ن. ۱۳۹۳. بهینه­سازی شبکه سنجش منابع آب ...
  • Bhattacharya,B., Price,R.K and Solomatine,D.P. ۲۰۰۷. Machine learning approach to modeling ...
  • Bordi,I., Frigio,S., Parenti,P., Speranza,A and Sutera,A. ۲۰۰۱. The analysis of ...
  • Byun,H.R and Wilhite,D.A. ۱۹۹۹. Objective quantification of drought severity and ...
  • Glantz,M.H. ۲۰۰۳. Climate Affairs: A Primer. Washington, D.C.: Island Press ...
  • Hayes,M.J., Svoboda,M.D., Wilhite,D.A and Vanyarkho,O.V. ۱۹۹۹. Monitoring the ۱۹۹۶ drought ...
  • McKee,T.B., Doesken,N.J and Kleist,J. ۱۹۹۳. The relationship of drought frequency ...
  • Mishra,A.K., Desai,V.R and Singh,V.P. ۲۰۰۷. Drought forecasting using a hybrid ...
  • Morid,S., Smakhtin,V and Bagherzadeh,K. ۲۰۰۷. Drought forecasting using artificial neural ...
  • Quinlan,J.R. ۱۹۹۲. Learning with continuous classes. In ۵th Australian joint conference ...
  • Witten,I.H and Frank,E. ۲۰۰۵. Data mining: practical machine learning tools ...
  • نمایش کامل مراجع