چکیده:
بخش عظیمی از بارشها در حوضههای جنوب غربی ایران به شکل برف است و آب حاصل از ذوب برف، نقش مهمی در ایجاد رواناب سطحی، تغذیه آبهای زیر زمینی و ایجاد سیل را ایفا میکند. پوشش برف معرف میزان آب ذخیره شده در حوضههای کوهستانی است. بنابراین، پایش مکانی و زمانی سطح پوشش برف و آب معادل آن اهمیت بسیار بالایی در مدلهای هیدرولوژی دارد. از طرفی، نوسانات سطح پوشش برف با سیگنالهای بزرگ مقیاس اقلیمی در ارتباط است. در این مطالعه تغییرات سطح پوشش برف حوضههای جنوب غربی ایران در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی مورد بررسی قرار گرفت. در بررسی حاضر از دادههای ماهانه شاخص نوسان جنوبی (SOI)، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO3.4, NINO3, NINO4 و NINO1+2 استفاده شد. همة دادههای مربوط به سیگنالهای فوق، از مرکز دادههای آنالیز شده NCEP طی سالهای 1986 تا 2007 دریافت گردید. به منظور برآورد سطح پوشش برف در منطقه مورد مطالعه، از دادههای ماهواره NOAA سنجنده AVHRR برای روزهای منتخب دوره سرد سال 1986 تا 2007 استفاده شد. برای تفکیک برف و ابر از روش آستانه گذاری در انعکاس باندهای 1 و 3 و محاسبه تابندگی و دمای درخشندگی باندهای حرارتی استفاده شد.در نهایت، با به کارگیری از روش شبکه عصبی مصنوعی، پیش آگاهی پوشش برف حوضههای جنوب غربی ایران برای بازههای زمانی همزمان، سه ماه و شش ماه محاسبه شد. نتایج تحقیق نشان داد که سیگنالهای NAO , SOI و تغییرات ناهنجاری SST در ناحیه NINO4 و NINO1+2 به عنوان مؤثرترین سیگنال بر تغییرات پوشش برفی حوضههای مورد مطالعه هستند و برای پیش آگاهی از وضعیت سطوح تحت پوشش برف سیگنالهای فوق کاربرد دارند.
خلاصه ماشینی:
"نتایج پژوهش آنها نشان داد که ارتباط تنگاتنگی بین سیگنالهای بزرگ مقیاس اقلیمی و سطح پوشش برف و جریان رودخانه در این حوضه وجود دارد.
از این رو، در مطالعه حاضر نیز از سیگنالهای بالا برای بررسی و پیش آگاهی سطوح پوشش برف حوضههای جنوب غرب ایران استفاده شده است.
همچنین، عملکرد بهترین مدل در پیش بینی و شبیه سازی سطح برف در مرحله تست مطابق با شکلهای 3 تا 5 به ترتیب برای حوضههای دز، کرخه و کارون ارایه شده است.
به عبارتی، سیگنالهای بزرگ مقیاس اقلیمی از عواملی هستند که از شاخصهای عددی اندازه گیری شده آنها میتوان برای تحلیل تغییرات فصلی بارش، دما و سطح پوشش برف استفاده کرد.
نتایج تحقیق حاضر نیز رابطه در سطح معنی دار و در مقیاس گردش عمومی جو بین آنومالیهای بارش برف و سطح پوشش برف با سیگنالهای اقلیمی را در حوضههای مورد مطالعه نشان میدهد.
بررسی نتایج ماتریس، همبستگی خروجی مدل شبکه عصبی با دادههای مشاهدهای سطح پوشش برف (جدول 9) بیانگر وجود ارتباط معنی دارتر بین متغیرهای پیش بینی کننده (سیگنالهای اقلیمی) با سطح پوشش برف در حالت همزمان (بدون تأخیر) است و با افزایش تأخیر زمانی از میزان همبستگی بین سیگنالها اقلیمی و سطح پوشش برف کاسته شده است.
در نهایت، نتایج تحقیق نشان داد که سیگنالهای Nino1+2، NAO , SOI و Nino4 به عنوان مؤثرترین سیگنالها بر تغییرات پوشش برفی حوضههای مورد مطالعه هستند و برای پیش آگاهی از وضعیت سطوح تحت پوشش برف سیگنالهای بالا کاربرد دارند.
"Artificial neural network modeling of the rainfall-runoff process", Water Resource Res. 31(10) 2517-2530."