این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تولید محصولات زراعی و باغی، جلد ۸، شماره ۱، صفحات ۱۱-۲۵
عنوان فارسی کاربرد CCA به منظور ارزیابی و مقایسه توانایی SOI و SST Nino’s در پیش‌بینی بارش زمستانه سواحل دریای خزر
چکیده فارسی مقاله در ایران، حدود 75% از تولیدات برنج داخلی در ‌‌‌‌استان‌های‌‌ گیلان و مازندران، که از پر بارش ترین نواحی کشورند، تهیه می‌شود. پیش‌بینی‌های فصلی بارش تأثیر مهمی در تولید محصول و کاهش خطرهای حوادث اقلیمی در این ناحیه ‌‌حاصل‌خیز از کشور دارد. با ‌‌‌به‌کارگیری مدل تحلیل ‌‌‌هم‌بستگی متعارف (Canonical Correlation Analysis, CCA)، امکان پیش بینی بارش زمستانه این استان‌ها براساس وضـعیت پدیده النینیو- نوسـانات جنوبی (ELNino-Southern Oscillation, ENSO ) مورد ارزیابـی قرار گرفت. سری‌های زمانی شاخص ‌‌‌نوسان‌های‌ جنـوبی (Southern Oscillation Index, SOI) و دمای سطح آب در نینوها (Nino's SST) ‌‌‌‌به‌عنوان‌ پیشگو کننده‌ها و بارش در بندر انزلی و نوشهر ‌‌‌‌به‌عنوان‌ پیشگو شونده در نظر گرفته شدند. به‌منظور کاهش تعداد متغیرهای پیشگو کننده اولیه به تعداد معدودی از ‌مؤلفه‌های اصلی از روش توابع متعامد تجربی (Empirical Orthogonal Function,EOF ) اسـتفاده گـردید. از مجـمـوع بیسـت سـری زمانـی پیـش‌گـوکننـده، چـهار‌مـؤلـفه‌ اصلـی(EOF1, EOF2, EOF3, EOF4) از مجموعه داده‌های پیشگو کننده که 92% از کل واریانس این مجموعه داده‌ها را شرح می‌دادند، انتخاب شده و بقیه ‌مؤلفه‌ها ‌‌‌‌به‌عنوان‌ اختلال ( Noise ) در نظر گرفته شدند. بر مبنای EOF های انتخاب شده و سری‌های زمانی بارش، مدل CCA برای پیش بینی بارش زمستانه بندر انزلی و نوشهر ‌‌‌به‌کار برده شد. نتایج نشان داد که پیشگو کننده‌های در نظر گرفته شده در حدود 45% از کل واریانس سری زمانی بارش را شرح می‌دهند. ضرایب ‌‌‌هم‌بستگی بین مقادیر بارش مشاهده و شبیه سازی شده در سطح 5% معنی دار بودند. در 70% از موارد، علائم مقادیر نرمال دیده شده و شبیه‌سازی شده یکسان بودند که توانایی معقول مدل برای پیش‌بینی خشکسالی و ترسالی را نشان می‌دهد. در پیش‌بینی بارش، ‌‌‌نوسان‌های‌ Nino's SST (به‌خصوص (Nino4 حدود 10% موثرتر از SOI تشخیص داده شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی The Application of CCA for the Assessment and Comparison of the Capability of SOI and Nion’s SST for the Prediction of Winter Precipitation over the Caspian Sea Coasts
چکیده انگلیسی مقاله In Iran, about 75% of national rice production is supplied in Gilan and Mazandaran proviences which have the highest amount of precipitation. Seasonal prediction of rainfall induces significant improvement on yield production and on preventing climate hazardz over these feritle areas. Canonical correlation analysis (CCA) model was carried out evaluates the possibility of the prediction of winter rainfall according to the states of ENSO events. The time series of (southern oscilation index (SOI) and SST (sea surface temperature) over Nino's area (Nino's SST) are used as the predictors, and precipitation in Bandar Anzali and Noushahr are used as the predictands. Emperical orthogonal functions (EOF) were applied for reducing the number of original predictors variables to fewer presumably essential orthogonal variables. Four modes of variations (EOF1, EOF2, EOF3, EOF4) which account for about 92% of total variance in predictors field were retained and the others were considered as noise. Based on the retained EOFs and precipitation time series, the canonical correlation analysis (CCA) was carried out to predict winter precipitation in Noushahr and Bandar Anzali. The results indicated that the predictors considered account for about 45% of total variance in the rainfall time series. The correlation coefficents between the simulated and observed time series were significant at 5% significant level. For 70% of events the anomalies of observed and simulated values have the same sign indicating the ability of the model for reasonable prediction of above or below normal values of precipitation. For rainfall prediction, the role of Nino's SST (Nino4 in particular) was found to be around 10% more influential than SOI. .
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سیدمحمدجعفر ناظم السادات | s m j nazemosadat


امین شیروانی | a shirvani


نشانی اینترنتی http://jcpp.iut.ac.ir/browse.php?a_code=A-10-2-401&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات