بررسي تأثير سيگنال هاي بزرگ مقياس اقليمي بر بارش فصلي حوزه آبخيز مهارلو بختگان

Impacts of Large-Scale Climate Signals on Seasonal Rainfall in the Maharlu - Bakhtegan Watershed

پيشبيني فرايندهاي آب و هوايي به‌ويژه پيشبيني بارندگيابزار مناسبي در اختيار مديران حوزههاي گوناگون قرار ميدهد تا با در نظر گرفتن اين پيشبيني ها، سياست هاي آينده را طراحي كنند. در اين تحقيق بعد از انتخاب مؤثرترين شاخصهاي اقليمي با روش تجزيه مؤلفههاي اصلي (PCA)، تأثير سيگنالهاي اقليمي بزرگ مقياس بر بارش فصلي حوزه آبخيز مهارلو-بختگان به صورت همزمان و با تأخير توسط روشهاي آماري (ضريب همبستگي متقاطع و پيرسون) مورد بررسي قرار گرفت و با استفاده از مدل رگرسيون گام به گام اقدام به ارائه معادله رگرسيون براي پيشبيني بارش شد. نتايج نشان داد كه در روش همبستگي متقاطع بين سري زماني SPI (متغير وابسته) در زمان (t) و سيگنالهاي اقليمي (متغير مستقل) در زمان (t-k) تنها شاخص SOI به صورت همزمان داراي ارتباط معنيداري با بارش است، در حالي كه بيشتر شاخصها با تأخير زماني مختلف با شاخص بارندگي استاندارد معنادار شدهاند. در بررسي فصل به فصل سيگنالها با شاخص بارندگي استاندارد با استفاده از ضريب همبستگي پيرسون مشخص شد كه سيگنالهاي اقليمي فصل بهار و تابستان ارتباط معنيداري با SPI ندارند. طبق ضرايب تبيين (R2) و تأثير رگرسيوني استاندارد (Beta) در مدلهاي رگرسيوني گام به گام مشخص شد كه بررسي همزمان و با تأخير فصل به فصل سيگنالها (مثلا SPI فصل پاييز با شاخصهاي چهار فصل قبل) در روش همبستگي پيرسون نسبت به همبستگي متقاطع در زمان (t-k)، (كه سيگنالهاي تمام فصول با هم نسبت به SPI تمام فصول تأخير داده ميشود) ارتباط بيشتري را با شاخص بارندگي استاندارد فصلي نشان ميدهد.

redicting climate trends, especially forecasting rainfall, provides managers of different fields withsuitable tools so that considering these predictions; they can devise future-state policies. At thisstudy, after selecting the most effective climate indices applying PCA method, the effects of largescaleclimate signals in seasonal rainfall of basin Maharlu - Bakhtegan were investigated bothsimultaneously and by delay through statistical methods (Pearson correlation and cross-correlationcoefficient) and by applying stepwise regression model, regression equation for forecasting rainfallwas offered. The results showed that in cross-correlation between the time series of SPI (dependentvariable) at time (t) and climate signals (independent variable) at time (t-k), only SOI indexconcurrently has a significant relationship with rainfall, whereas, most of indices turned significantwith standardized precipitation index with different lag times. In season to season study of thesignals with the standard precipitation index using Pearson's correlation coefficient it was found thatclimate signals of spring and summer are not significantly correlated with SPI. Representationcoefficients (R2) and standardized regression effect (Beta) in stepwise regression model showed thatsimultaneous and with season to season delays signals (for example: SPI index of autumn with fourprevious seasons indexes) at method Pearson correlation have higher relationship with seasonalstandardized precipitation index than the cross-correlation in time (t-k), (which signals of allseasons given is delay together with than SPI of all seasons) show.