Abstract:
دما یکی از پارامترهای بسیارمهم آب و هوایی است که در تعیین نقش و پراکندگی دیگر عناصر اقلیمی مؤثر می باشد. هدف از پژوهش حاضر بررسی ارتباط بین دمای ماهانه و سالانه حوضه آبی دریای مازندران و الگوهای پیوند از دور می باشد. در این راستا از داده های میانگین دمای ماهانه و سالانه 97 ایستگاه همدیدی و آب و هواشناسی درون حوضه و بیرون حوضه و همچنین 33 الگوی پیوند از دور طی دوره آماری (1970-2014) استفاده شد. بدین منظور مدل پرسپترون چندلایه مورد استفاده قرار گرفت. ابتدا داده ها در نرم افزار مت لب نرمال و در نرم افزار spss استاندارد شدند. سپس شبکه براساس الگوریتم گرادیان نزولی (SCG)، تابع متحرک هیپربولیک برای لایه های پنهان و تابع متحرک همانی برای داده های خروجی طراحی شد. در تمام ساختار شبکه 1 تا 2 لایه پنهان در نظر گرفته شد و بیش از 600 شبکه ایجاد شد. طی این فرایند 70 درصد از داده ها برای آموزش و 30 درصد برای آزمون در نظر گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله مجموع مربع خطاها و خطای نسبی پرداخته شد. نتایج نشان داد در رابطه با داده های ماهانه، دمای یک ماه پیش و الگوهای ONI و NINO3 دارای اهمیت بیشتر می باشد و ارتباط بیشتری را با دمای ماهانه حوضه مورد مطالعه نشان می دهد. در داده های سالانه نیز الگوهای های AMO، NCP، AO، NAO و دمای یک سال قبل اهمیت بالای 60 درصد نشان دادند. لذا میتوان بیان نمود که رابطه الگوهای نامبرده با دمای سالانه بیش از سایر الگوها بوده است.
Temperature is one of the most important parameters of the climate that is effective in determining the role and distribution of other climatic elements. The purpose of this study was to investigate the relationship between monthly and annual temperature in Mazandaran watershed and distant link patterns. In this regard, average annual temperature data of 97 concurrent and meteorological stations within and outside the basin, as well as 33 distant link patterns during the statistical period (2014-2014), were used. First, the data were standardized in the standard software and standardized in the SPSS software. The grid was then designed based on the descending gradient algorithm (SCG), the hyperbolic animation function for the hidden layers and the same moving function for the output data. The entire network structure was considered to be 1 to 2 hidden layers and more than 600 networks were created. During this process, 70% of the data was for training and 30% for the test. Then, to evaluate the performance of the model, we used the statistical criteria including the sum of squares of errors and relative error. The results showed that the monthly data, temperature of a month ago and ONI and NINO3 patterns are more important and show more relevance with the monthly temperature of the study area. In annual data, the AMO, NCP, AO, NAO patterns and the one-year-olds' temperature were above 60%. Therefore, it can be stated that the mentioned patterns are more related to the annual temperature of the basin than other patterns.