پيش‌بيني فصلي بارش بر مبناي ارتباط با سيگنال‌هاي هواشناسي در ايستگاه سينوپتيك يزد

پيش­ بيني بارش در برنامه ­ريزي‌هاي منابع آب خصوصاً در مناطق خشك كشور بسيار حائز اهميت است. در اين مقاله به بررسي تعيين ارتباط بين بارش فصلي با سيگنال­ هاي هواشناسي شامل شاخص چند متغيره انسو يا MEI، NINO’s SST (NINO1+2، NINO3، NINO4 و NINO3.4)، NAO و SOI در ايستگاه هواشناسي سينوپتيك يزد طي دوره 1986 تا 2017، پرداخته شده است. تعيين همبستگي­ ها در دو سطح صورت گرفت. سطح اول شامل بررسي همبستگي بين بارش­ هاي فصلي با ايجاد يك سال تأخير در سري زماني فصلي سيگنال­ هاي هواشناسي است. درحالت دوم بدون ايجاد تأخير صورت پذيرفت. در ادامه و با استفاده از روش رگرسيون بر مبناي مدل حداقل مربعات جزئي (PLSR)، اقدام به پيش­ بيني بارش فصلي گرديد. نتايج نشان داد مقادير همبستگي قابل توجهي بين بارش فصل زمستان با مقادير فصلي سيگنال­ هاي هواشناسي در فصل زمستان با يكسال تأخير از پارامترهاي MEI، SOI، NINO1+2، NINO3 و NINO3.4 وجود دارد. حداكثر ضريب همبستگي مربوط به NINO1+2 برابر 0/68+ مي­ شود. گفتني است اين مقدار براي SOI زمستان در سال قبل برابر 0/61- مي­باشد كه نشان­ دهنده رابطه معكوس اين پارامتر با بارش فصل زمستان با يك سال تأخير است. براي سري ­هاي بدون ايجاد تأخير، همبستگي قابل توجه بارش فصل زمستان با مقدار شاخص NAO در فصل پاييز و تابستان مشاهده گرديد. در رابطه با پيش ­بيني بارش­ هاي فصلي، نتايج نشان دهنده عملكرد مناسب روش PLSR با توجه به ماتريس­ هاي ورودي است. در رابطه با داده‌هاي ورودي با تأخير يكساله، بارش­هاي فصل زمستان، تابستان ، بهار و پاييز با مقدار RMSE به ترتيب برابر با 12، 9/9، 0/85 و 6/2 ميليمتر تخمين زده شده­اند. شاخص NS براي فصول مذكور به ترتيب برابر با 69/0، 22/0، 2/0 و 72/0 مي‌باشد. مقادير R براي اين همين فصل­ها به ترتيب برابر با 0/83، 0/46، 0/45 و 0/85 بوده است. در كل، بارش‌ها در فصول سرد با دقت بيشتري برآورد شدند. توسعه و استفاده از مدل هايش پيش‌بيني مي‌تواند برنامه‌ريزي‌هاي مديريت منابع آب را با موفقيت بيشتري همراه سازد.

Precipitation forecasting has important role in water resource management especially in arid regions of Iran. This study aims to explore the relationships between the seasonal precipitation and weather signals such as NINO’s SST including NINO1+2 ،NINO3 ،NINO4 و NINO3.4 and SOI as well as MEI and NAO. The correlation analysis was performed in two states involving the correlation analysis of weather signals with one year lag in seasonal precipitations and the correlation analysis without the lag. Also, precipitation forecasting was performed through using partial least squares regression (PLSR). Results showed that MEI, SOI, NINO1+2 ،NINO3 and NINO3.4 have the most correlations with winter seasonal precipitation when the one year lag is performed. The most correlation refers to NINO1+2 equal to +0.68. This value for the SOI is -0.61 which exhibited the inverse correlation of winter precipitation with SOI in the past year. The time series without the lag showed the most correlation between the summer and autumn NAO and winter precipitation of the same year. Also, results indicated the acceptable performance of PLSR for precipitation forecasting. With the one year lag the winter, spring, summer and autumn precipitations were estimated with the RMSE equal to 12, 9.9, 0.85 and 6.2 mm, respectively. Also, the Nash–Sutcliffe (NS) model efficiency coefficient for the mentioned seasons is 0.69, 0.22, 0.2 and 0.72, respectively. The R correlation coefficients for these time series were equal to 0.83, 0.46, 0.45 and 0.85, respectively. In general, precipitation was predicted more accurately in the cold seasons. The development and use of such prediction models could make water resource management programs more successful.