پیش نمایی بارش‌های تابستانه مونسونی جنوب شرق ایران مبتنی بر مدل همادی

عنصر بارش ماهیت متغیر و تصادفی دارد و به لحاظ مکانی و زمانی دارای رفتاری متفاوت است. لذا پیش نمایی بارش در مقایسه با دیگر متغیرهای هواشناسی دارای عدم قطعیت بیشتر است. در پژوهش حاضر برای کاهش عدم قطعیت و تخمین مناسب  بارش، از برونداد داده‌های پایگاه کوردکس و مدل‌های cmip5 از روش شبکه عصبی استفاده شد. نتایج نشان داد با توجه به همبستگی بالای دما، رطوبت و فشار هوا با بارش، کاربست این متغیرها در کاهش عدم قطعیت پیش نمای بارش سودمند است. ضمن اینکه می‌توان از روش غیرخطی شبکه‌های عصبی مصنوعی جهت اریب سازی داده‌های بارش پایگاه کوردکس و cmip5 جهت آینده‌نگری بارش در جنوب‌شرق کشور استفاده کرد. از دیگر نتایج این پژوهش روند افزایشی بارش‌های جنوب شرق ایران به‌ویژه نواحی ساحلی می باشد. این امر را می توان ناشی از افزایش سطح تحت تاثیر بارش‌های متاثر یا هم‌زمان با مونسون جنوب غرب هند دانست. روند افزایشی بارش در سواحل جنوبی بی‌ارتباط با افزایش ظرفیت نگهداشت محتوای رطوبتی نیز نمی باشد. تغییرپذیری بین بارش سالانه باران‌های موسمی هند نیز نشان‌دهنده یک‌روند مثبت ثابت تحت گرمایش جهانی بی‌وقفه است. ازآنجاکه هم افزایش مدت بارندگی‌های موسمی و هم افزایش تنوع بین سالی در آینده در بیشتر مدل‌ها دیده می‌شود، می‌توان به این روندهای پیش‌بینی‌شده اطمینان خاطر داد. همچنین  پیش‌بینی می‌شود که بارش باران‌های مونسون تابستان هند در شرایط گرم شدن کره زمین در دهه 2050 در مقایسه بازمان پایه بیشتر باشد.

projection of summer monsoon rains in southeast iran based on ensembel model

projection of summer monsoon rains in southeast iran based on ensemble model the precipitation factor has a variable and random nature and has a different behavior in terms of space and time. therefore, the prediction of precipitation has more uncertainty compared to other meteorological variables. in the current study, the data output of cordex database and cmip5 models were used using the neural network method to reduce the uncertainty and estimate precipitation properly. the results showed that due to the high correlation of temperature, humidity and air pressure with precipitation, the use of these variables is beneficial in reducing the uncertainty of precipitation forecast. in addition, the non-linear method of artificial neural networks can be used to bias the rainfall data of cordex database and cmip5 to forecast the rainfall in the southeast of the country. another result of this research is the increasing trend of rainfall in the southeast of iran, especially in the coastal areas. this can be considered as a result of the increase in the level under the influence of rains affected or simultaneous with the southwest monsoon of india. the increasing trend of precipitation in the southern coasts is also related to the increase in the storage capacity of moisture content. the interannual variability of india’s monsoon rainfall also shows a steady positive trend under continued global warming. since both the increase in the duration of monsoon rains and the increase in interannual variability in the future are seen in most models, we can be confident in these predicted trends. indian summer monsoon rainfall is also predicted to be higher under global warming in the 2050s compared to the baseline.