پيش‌آگاهي فصلي دبي ورودي به درياچه‌ي اروميه با استفاده از سيگنال‌هاي بزرگ مقياس اقليمي

Seasonal Prediction of Discharge Entering in to Uremia Lake by Using Climatic Large Scale Signals

هدف اصلي اين مطالعه بررسي تاثير سيگنال‌هاي اقليمي بر دبي دو ايستگاه منتخب و نوسان آب درياچه اروميه، طيّ دوره‌ي 22 ساله (2007-1986) مي‌باشد. براي اين كار از داده‌هاي دو ايستگاه منتخب، داده‌هاي ماهانه شاخص نوسان جنوبي SOI، نوسان اطلس شمالي NAO و شاخص ENSO در مناطق NINO1+2, NINO3, NINO4 و NINO3.4 استفاده شد. داده‌هاي مربوط به سيگنال‌هاي بزرگ مقياس اقليمي از مركز داده‌هاي NCEP تهيه گرديد. داده‌هاي مربوط به ميانگين دبي ماهانه ايستگاه‌هاي داشبند و ساريقميش نيز از مركز داده‌هاي وزارت نيرو تهيه گرديد. ابتدا به منظور بررسي اوليه داده‌ها و همبستگي بين آنها براي تهيه مناسب‌ترين مدل پيش بيني دبي، گام هاي زماني 0، 3 و 6 ماهه مد نظر قرار گرفت. در بررسي دبي در بازه‌هاي زماني مختلف، ايستگاه‌هاي مورد مطالعه، نتيجه شد، همبستگي در بازه‌ي زماني تاخيري شش‌ماهه بيشتر از بازه‌هاي زماني همزمان و تاخيري سه ماهه است. پس از تبيين ارتباط و نوع آن، مدل پيش‌بيني با استفاده از شبكه‌ي عصبي مصنوعي طراحي گرديد و نتايج حاصل از اين مدل مورد ارزيابي و تجزيه و تحليل قرار گرفت. با توجه به همبستگي‌هاي معني‌دار در بازه‌هاي زماني اين نتيجه گرفته شد، كه شاخص‌هاي بزرگ مقياس اقليمي از نظر گردش عمومي جو و متاثر نمودن سيستم‌هاي بزرگ جوي در منطقه‌ي مورد مطالعه بر دما، بارش و دبي و نوسان آب درياچه‌ي اروميه تاثير معني‌داري مي‌گذارند. بررسي مدل‌هاي خروجي از نرم‌افزار شبكه‌ي عصبي مصنوعي نشان داد، كه موثرترين سيگنال‌ها بر دبي به ترتيب NINO3.4, NINO3, NINO1+2 و كم‌اثرترين سيگنال‌ها به ترتيب NAO ,SOIمي‌باشند. با توجه به يافته‌هاي تحقيق حاضر مي‌توان اين‌طور نتيجه‌گيري كرد كه ارتباط معني‌داري بين دبي با سيگنال‌هاي اقليمي و جود دارد

The main objective of this study is to evaluate the effects of climatic signals on the discharge rate of the two nominated stations and fluctuation of Uremia lake water, during the time period of 22-years (1986-2007).To do this, data of the two nominated stations, monthly data of Southern Fluctuation Index (SOI), North Atlantic fluctuation (NAO) and ENSO index in NINO1+2, NINO3, NINO4 and NINO3.4 were used. Large-scale climatic data signals were obtained from NCEP data center. Data about average monthly discharge rate of Dashband and Sarighmish stations was prepared from the data center of the Ministry of Energy. Firstly, for primary study of the data and the correlation between them in order to provide the best model to predict discharge rate , time steps of 0, 3 and 6 months were considered. In examining the discharge rate in various time intervals of the under study stations, it was obtained that the correlation in the delayed time intervals of six-months is more than the simultaneous and three months delay. After explaining the relation and its type, the forecasting model was designed using artificial neural network and the results of the model were evaluated and analyzed. Given the significant correlation in time intervals, it was realized that large-scale climatic indices, from the view point of common atmospheric circulation and large atmospheric systems in the study area have a significant impact on temperature, rainfall , discharge rate and fluctuation of Uremia lake water. Study the output models of artificial neural network indicates that the most effective signals of the discharge rate is NINO3.4, NINO3, NINO1+ 2and least effective signals are NAO, SOI. According to the findings, it can be concluded that a significant relationship exists between discharge rate and climatic signals.