%0 Journal Article %T پیش‌بینی فصلی بارش بر مبنای ارتباط با سیگنال‌های هواشناسی در ایستگاه سینوپتیک یزد %J خشکبوم %I دانشگاه یزد %Z 2008-790X %A کوثری, محمدرضا %A سهیلی, اسماعیل %A نیازی, یعقوب %D 2020 %\ 03/18/2020 %V 9 %N 2 %P 151-164 %! پیش‌بینی فصلی بارش بر مبنای ارتباط با سیگنال‌های هواشناسی در ایستگاه سینوپتیک یزد %K بارش پیوند از دور %K شاخص انسو %K مناطق خشک %K حداقل مربعات جزئی %R 10.29252/aridbiom.2020.1823 %X پیش­ بینی بارش در برنامه ­ریزی‌های منابع آب خصوصاً در مناطق خشک کشور بسیار حائز اهمیت است. در این مقاله به بررسی تعیین ارتباط بین بارش فصلی با سیگنال­ های هواشناسی شامل شاخص چند متغیره انسو یا MEI، NINO’s SST (NINO1+2، NINO3، NINO4 و NINO3.4)، NAO و SOI در ایستگاه هواشناسی سینوپتیک یزد طی دوره 1986 تا 2017، پرداخته شده است. تعیین همبستگی­ ها در دو سطح صورت گرفت. سطح اول شامل بررسی همبستگی بین بارش­ های فصلی با ایجاد یک سال تأخیر در سری زمانی فصلی سیگنال­ های هواشناسی است. درحالت دوم بدون ایجاد تأخیر صورت پذیرفت. در ادامه و با استفاده از روش رگرسیون بر مبنای مدل حداقل مربعات جزئی (PLSR)، اقدام به پیش­ بینی بارش فصلی گردید. نتایج نشان داد مقادیر همبستگی قابل توجهی بین بارش فصل زمستان با مقادیر فصلی سیگنال­ های هواشناسی در فصل زمستان با یکسال تأخیر از پارامترهای MEI، SOI، NINO1+2، NINO3 و NINO3.4 وجود دارد. حداکثر ضریب همبستگی مربوط به NINO1+2 برابر 0/68+ می­ شود. گفتنی است این مقدار برای SOI زمستان در سال قبل برابر 0/61- می­باشد که نشان­ دهنده رابطه معکوس این پارامتر با بارش فصل زمستان با یک سال تأخیر است. برای سری ­های بدون ایجاد تأخیر، همبستگی قابل توجه بارش فصل زمستان با مقدار شاخص NAO در فصل پاییز و تابستان مشاهده گردید. در رابطه با پیش ­بینی بارش­ های فصلی، نتایج نشان دهنده عملکرد مناسب روش PLSR با توجه به ماتریس­ های ورودی است. در رابطه با داده‌های ورودی با تأخیر یکساله، بارش­های فصل زمستان، تابستان ، بهار و پاییز با مقدار RMSE به ترتیب برابر با 12، 9/9، 0/85 و 6/2 میلیمتر تخمین زده شده­اند. شاخص NS برای فصول مذکور به ترتیب برابر با 69/0، 22/0، 2/0 و 72/0 می‌باشد. مقادیر R برای این همین فصل­ها به ترتیب برابر با 0/83، 0/46، 0/45 و 0/85 بوده است. در کل، بارش‌ها در فصول سرد با دقت بیشتری برآورد شدند. توسعه و استفاده از مدل هایش پیش‌بینی می‌تواند برنامه‌ریزی‌های مدیریت منابع آب را با موفقیت بیشتری همراه سازد. %U https://aridbiom.yazd.ac.ir/article_1823_373fb6e900d86c6a70652b7489256e9b.pdf