کاربرد CCA به منظور ارزیابی و مقایسه توانایی SOI و Nino,s SST در پیش بینی بارش زمستانه ...

در ایران، حدود 75%از تولیدات برنج داخلی در استان های گیلان و مازندران، که از پربارش ترین نواحی کشورند، تهیه می شود. پیش بینی های فصلی بارش تاثیر مهمی در تولید محصول و کاهش خطرهای حوادث اقلیمی در این ناحیه حاصل خیز از کشور دارد. با به کارگیری مدل تحلیل هم بستگی متعارف(canonical correlation analysis,cca)، امکان پیش بینی بارش زمستانه این استان ها بر اساس وضعیت پدیده النینیو - نوسانات جنوبی(elnino-southern oscillation,enso) مورد ارزیابی قرار گرفت. سری های زمانی شاخص نوسان های جنوبی (southern oscillation index,soi) و دمای سطح آب در نینوها(nino,s sst) به عنوان پیشگوکننده ها و بارش در بندر انزلی و نوشهر به عنوان پیشگو شونده در نظر گرفته شدند. به منظور کاهش تعداد متغیرهای پیشگوکننده اولیه به تعداد معدودی از مولفه های اصلی از روش توابع متعامد تجربی(empirical orathogonal function,eof) استفاده گردید. از مجموع بیست سری زمانی پیش گو کننده، چهار مولفه اصلی (eof1,eof2,eof3,eof4) از مجموعه داده های پیشگوکننده که 92% از کل واریانس این مجموعه داده ها را شرح می دادند، انتخاب شده و بقیه مولفه ها به عنوان اختلال (noise) در نظر گرفته شدند. بر مبنای eof های انتخاب شده و سری های زمانی بارش، مدل cca برای پیش بینی بارش زمستانه بندر انزلی و نوشهر به کار برده شد. نتایج نشان داد که پیشگوکننده های در نظر گرفته شده در حدود 45% ازکل واریانس سری زمانی بارش را شرح می دهند. ضرایب هم بستگی بین مقادیر بارش مشاهده و شبیه سازی شده در سطح 5% معنی دار بودند. در 70% از موارد، علائم مقادیر نرمال دیده شده و شبیه سازی شده یکسان بودند که توانایی معقول مدل برای پیش بینی خشکسالی و ترسالی را نشان می دهد. در پیش بینی بارش، نوسان های nino,s sst‌( به خصوص nino4) حدود 10% موثرتر از soi تشخیص داده شد.