پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ

پیش آگاهی ماهانه و فصلی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (2014-1984) به مدت 30 سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای 1000 میلی باری، هم ارتفاع تراز 500 میلی باری ، امگای 200 میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی 045/0، تعداد لایه های ورودی 91 واحد ، بهترین آرایش 15-1 و ضریب همبستگی 94 درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی 97 درصد، خطای آنتروپی 036/. درصد ، تعداد واحدهای ورودی 8 واحد و بهترین نوع آرایش لایه ی پنهان 10-1 بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی 038/.، تعداد واحدهای ورودی 67، نوع آرایش لایه ی پنهان، 17-1، ضریب همبستگی 98 درصد بود.

Rainfall warning Based on indexs teleconnection, Synoptic Patterns of Atmospheric Upper Levels and Climatic elements a case study of Karoun basin

The irregular exploitation of groundwater aquifers in Shahriyar Plain has caused the drop of groundwater level in the region. Artificial nourishment of aquifers can increase the size of groundwater storage, reduce its level drop, and also prevent the advance of brine and drying of the aqueducts. In this study, we tried to integrate GIS and Boolean logic in order to identify the best areas for artificial recharge in Shahriar Plain. So, the seven factors (slope, permeability, thickness of alluvium, portability, both drop zones, land use and electrical conductivity) of water samples were specified in GIS and then respective maps were prepared. Then, using the acquired weight of each layer, maps for each weighted factors of locating were integrated. Using Boolean logic, final maps were prepared in two classes: suitable and unsuitable. Finally, the best place for the implementation of artificial recharge of aquifers in the region was identified. Results indicated that the suitable regions mostly lie in areas with slopes less than 3 % and that they are mostly near Chitgar river.