پیش‌بینی فصلی بارش بر مبنای ارتباط با سیگنال‌های هواشناسی در ایستگاه سینوپتیک یزد

پیش بینی بارش در برنامه ریزی‌های منابع آب خصوصاً در مناطق خشک کشور بسیار حائز اهمیت است. در این مقاله به بررسی تعیین ارتباط بین بارش فصلی با سیگنال های هواشناسی شامل شاخص چند متغیره انسو یا mei، nino’s sst (nino1+2، nino3، nino4 و nino3.4)، nao و soi در ایستگاه هواشناسی سینوپتیک یزد طی دوره 1986 تا 2017، پرداخته شده است. تعیین همبستگی ها در دو سطح صورت گرفت. سطح اول شامل بررسی همبستگی بین بارش های فصلی با ایجاد یک سال تاخیر در سری زمانی فصلی سیگنال های هواشناسی است. درحالت دوم بدون ایجاد تاخیر صورت پذیرفت. در ادامه و با استفاده از روش رگرسیون بر مبنای مدل حداقل مربعات جزئی (plsr)، اقدام به پیش بینی بارش فصلی گردید. نتایج نشان داد مقادیر همبستگی قابل توجهی بین بارش فصل زمستان با مقادیر فصلی سیگنال های هواشناسی در فصل زمستان با یکسال تاخیر از پارامترهای mei، soi، nino1+2، nino3 و nino3.4 وجود دارد. حداکثر ضریب همبستگی مربوط به nino1+2 برابر 0/68+ می شود. گفتنی است این مقدار برای soi زمستان در سال قبل برابر 0/61 می باشد که نشان دهنده رابطه معکوس این پارامتر با بارش فصل زمستان با یک سال تاخیر است. برای سری های بدون ایجاد تاخیر، همبستگی قابل توجه بارش فصل زمستان با مقدار شاخص nao در فصل پاییز و تابستان مشاهده گردید. در رابطه با پیش بینی بارش های فصلی، نتایج نشان دهنده عملکرد مناسب روش plsr با توجه به ماتریس های ورودی است. در رابطه با داده‌های ورودی با تاخیر یکساله، بارش های فصل زمستان، تابستان ، بهار و پاییز با مقدار rmse به ترتیب برابر با 12، 9/9، 0/85 و 6/2 میلیمتر تخمین زده شده اند. شاخص ns برای فصول مذکور به ترتیب برابر با 69/ 0، 22/ 0، 2/ 0 و 72/ 0 می‌باشد. مقادیر r برای این همین فصل ها به ترتیب برابر با 0/83، 0/46، 0/45 و 0/85 بوده است. در کل، بارش‌ها در فصول سرد با دقت بیشتری برآورد شدند. توسعه و استفاده از مدل هایش پیش‌بینی می‌تواند برنامه‌ریزی‌های مدیریت منابع آب را با موفقیت بیشتری همراه سازد.

Seasonal Precipitation Forecasting Based on the Teleconnection with Weather Signals in Yazd Synoptic Station

Precipitation forecasting has important role in water resource management especially in arid regions of Iran. This study aims to explore the relationships between the seasonal precipitation and weather signals such as NINO’s SST including NINO1+2، NINO3، NINO4 و NINO3.4 and SOI as well as MEI and NAO. The correlation analysis was performed in two states involving the correlation analysis of weather signals with one year lag in seasonal precipitations and the correlation analysis without the lag. Also, precipitation forecasting was performed through using partial least squares regression (PLSR). Results showed that MEI, SOI, NINO1+2، NINO3 and NINO3.4 have the most correlations with winter seasonal precipitation when the one year lag is performed. The most correlation refers to NINO1+2 equal to +0.68. This value for the SOI is 0.61 which exhibited the inverse correlation of winter precipitation with SOI in the past year. The time series without the lag showed the most correlation between the summer and autumn NAO and winter precipitation of the same year. Also, results indicated the acceptable performance of PLSR for precipitation forecasting. With the one year lag the winter, spring, summer and autumn precipitations were estimated with the RMSE equal to 12, 9.9, 0.85 and 6.2 mm, respectively. Also, the Nash–Sutcliffe (NS) model efficiency coefficient for the mentioned seasons is 0.69, 0.22, 0.2 and 0.72, respectively. The R correlation coefficients for these time series were equal to 0.83, 0.46, 0.45 and 0.85, respectively. In general, precipitation was predicted more accurately in the cold seasons. The development and use of such prediction models could make water resource management programs more successful.