این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۵، شماره ۱، صفحات ۳۸-۴۹
عنوان فارسی پیش‌بینی مقادیر دما و بارش استان اصفهان براساس دو مدل ریزمقیاس نمایی Lars_WG و SDSM و روش شبکه عصبی مصنوعی
چکیده فارسی مقاله برای آگاهی از وضعیت یک ایستگاه محلی با استفاده از (GCMs) نیاز است که مدل ها براساس رفتارهای محلی داده های ایستگاه عمل کنند، بنابراین ریزمقیاس سازی انجام می گیرد. در این مطالعه با استفاده از مدل های SDSM، LARS_WG و روش شبکه عصبی مصنوعی به وسیله داده های مشاهداتی به دست آمده از 6 ایستگاه سینوپتیک استان اصفهان به پیش بینی دما و بارش این ایستگاه ها از سال 1384 تا سال 1428 پرداخته شده است. ضریب همبستگی پیرسون (r) و ضریب تعیین (2 R) بین داده های مشاهداتی و داده های سناریوهای منتخب در تمامی ایستگاه ها بالای 0.6 است. نتایج به دست آمده نشان می دهند که مدل SDSM برای پیش بینی دما نسبت به دو مدل دیگر کارایی بیشتری دارد، همچنین براساس نتایج به دست آمده دمای استان اصفهان از سال 1384 تا سال 1428 افزایش تدریجی داشته و در سال 1384 دارای کمترین مقدار و در سال 1426 بیشترین مقدار را داشته است و اختلاف دمای این سال ها تقریبا برابر2.3 درجه سانتی گراد است و تغییرات بارش تقریبا همانند تغییرات فعلی است و در سال 1402 و 1406 بیشترین مقدار بارش را خواهیم داشت که در ایستگاه داران که بارندگی بیشتری نسبت به دیگر ایستگاه ها دارد، تقریبا برابر 2.5 میلیمتر خواهد بود و بنابراین استان اصفهان نیازمند راهکارهای مدیریتی مناسب برای کاهش مصرف آب است که از احتمال وقوع کم آبی و خشکسالی در سال های پیش رو جلوگیری به عمل آید.
کلیدواژه‌های فارسی مقاله دما، ‌ بارش، شبکه عصبی مصنوعی، SDSM، LARS-WG،
عنوان انگلیسی The Isfahan values of Temperature and Precipitation Forecast Based on Two Fine scale models Lars_WG and SDSM and Artificial Neural Network Method
چکیده انگلیسی مقاله It is necessary the (GCMs) act on the local behavior of the station data, to understand the status of a local station using these models. In this study using SDSM, LARS_WG models and artificial neural network method Based on observational data obtained from 6 synoptic stations in Isfahan province, temperature and precipitation forecasts of these stations from 2005 to 2050 have been investigated. Pearson's correlation coefficient (r) and coefficient of determination (R2) between observational data and scenario data at all stations are above 0.6.The results show that the SDSM model is more efficient for predicting temperature than the other two models. Based on the results, the temperature of Isfahan province increased from 2005 to 2050 and In 2005 it had the lowest value and in 2050 it had the highest value and the temperature difference of these years is about 2/3°C, Precipitation changes are almost similar to current changes and we will have the highest amount of precipitation in 2024 and 2028 which, in daran statian which, it has more rainfall than other stations, it will be about 2/5 mm, therefore, Isfahan province needs appropriate management strategies to reduce water consumption to prevent the possibility of dehydration and drought in the years ahead.
کلیدواژه‌های انگلیسی مقاله دما, ‌ بارش, شبکه عصبی مصنوعی, SDSM, LARS-WG
نویسندگان مقاله آرین زرفشانی |
کارشناسی ارشد اکوهیدرولوژی، دانشکده علوم و فنون نوین، دانشگاه تهران، ایران

محمد حسین جهانگیر |
استادیار گروه انرژی‌های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، ایران

نشانی اینترنتی https://idj.iaid.ir/article_126740_ef3fc1e8bcde3a403da6dbd83f04b2bb.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات