اثر سیگنال‌های بزرگ مقیاس اقلیمی بر بارش در استان مازندران

پیش‌آگهی از بارش، نقش بسیار تعیین کننده ای در مدیریت خشکسالی ها و برنامه‌ریزی منابع آب شرب و کشاورزی ایفا می کند و می توان سیاست های آینده را در جهت بهینه سازی صرف هزینه ها و امکانات بهره‌وری حداکثر طرح ریزی کرد. در این پژوهش، به بررسی تاثیر سیگنال های بزرگ مقیاس اقلیمی بر بارش استان مازندران پرداخته شد. نخست، اثر سیگنال‌های اقلیمی بر بارش به صورت همزمان و با تاخیر، توسط روش های آماری (ضریب همبستگی پیرسون) مورد بررسی قرار گرفت و سپس با استفاده از مدل m5tree اقدام به مدلسازی بارش ماهانه با شاخص‌های مرتبط شد. به طور کلی ضریب همبستگی بین سیگنال ها و بارش نشان داد که همبستگی همراه با تاخیر، مقادیر بیشتری نسبت به بررسی همزمان داشت. نتایج بررسی همبستگی بین شاخص های اقلیمی و بارش ماهانه با یک گام تاخیر نشان داد که در ایستگاه بابلسر، شاخص‌های amm، nino1+2، nino3، nino4، tna و whwp دارای همبستگی معنی‌دار با بارش بودند. شاخص های amm، nino1+2، nino3، oni، tna و whwp همبستگی معنی‌داری با بارش ایستگاه قراخیل داشتند. همچنین بر پایه یافته ها، همبستگی بین سیگنال‌های اقلیمی و بارش ایستگاه نوشهر، اختلاف معنی‌داری با شاخص های amm، nino1+2، nino3، nino3.4، tna و whwp داشت. همبستگی بین بارش رامسر و سیگنال‌های اقلیمی حاکی از ارتباط معنی‌دار سیگنال‌های amm، nino1+2، nino3، tna و whwp بود. نتایج حاصل از مدل m5tree حاکی از آن بود که، معمولاً در گام یک، بهترین عملکرد شبیه سازی بارش رخ داد. همچنین مقایسه نتایج شبیه‌سازی با نمودار taylor بیانگر این بود که در تمامی ایستگاه‌ها، مقادیر گام تاخیر یک نزدیک‌تر به مشاهدات بودند. پیش بینی با تاخیر این مزیت را دارد که می توان وضعیت بارش را از پیش تعریف نمود و در مدیریت بهره برداری از منابع آب حوزه آبخیز، دخالت داد.

The Effect of Large-Scale Climatic Signals on Rainfall in Mazandaran Province

Rainfall prognosis plays an important role in drought management and planning of drinking water and agricultural water resources. Also, Future policies can be tailored to optimize spending and maximum productivity. In this study, the effect of largescale climatic signals on rainfall in Mazandaran province was investigated. The first, the effect of climatic signals on precipitation simultaneously and with delay was studied by statistical methods (Pearson correlation coefficient) and then, using the M5Tree model, monthly rainfall was compared with related indices. Generally, the correlation coefficient between signals and precipitation showed that correlation with delay was greater than the coincidence. The results of the correlation study between climate indices and monthly precipitation with a onestep delay showed that there was a significant correlation with, AMM, NINO1 + 2, NINO3, NINO4, TNA and WHWP indices and rainfall in the Babolsar station. Also, AMM, NINO1 + 2, NINO3, ONI, TNA and WHWP indices had a significant correlation with rainfall at the Gharakhil station. Based on the findings, correlation between climatic signals and rainfall in Noshahr station, was significantly different with AMM, NINO1 + 2, NINO3, NINO3.4, TNA and WHWP indices. The correlation between Ramsar precipitation and climatic signals showed a significant difference with AMM, NINO1 + 2, NINO3, TNA and WHWP indices. The results of the M5Tree model indicated that, generally, in onestep delay, the best simulation performance will occur. Also, comparing the simulation results with Taylor's diagram showed that at all stations, the onestep delay values were closer to the observations. The advantage of delayed prediction is that the rainfall situation can be predetermined and used to manage the water resources of the watershed.