پیش‌بینی بارش ماهانه با استفاده از الگوهای پیوند از دور و شبکۀ عصبی مصنوعی (مطالعۀ موردی: حوزۀ فلات مرکزی ایران)

نویسندگان

1 استادیار، گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین دانشگاه کاشان، کاشان، ایران

2 استادیار، گروه مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

3 کارشناس ارشد آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران

چکیده

تحقیق حاضر با هدف بررسی تأثیر شاخص‌های پیوند از دور بر رخداد بارش ماهانه و پیش‌بینی بارندگی در حوزۀ آبخیز فلات مرکزی ایران با استفاده از مدل شبکة عصبی مصنوعی چندگامی مستقیم (DMSNN) با پارامترهای مذکور است. براین مبنا مقادیر بارش طی دورة مشترک آماری 1981-2014 در 20 ایستگاه سینوپتیک منطقۀ مورد مطالعه انتخاب شد، به‌طوری که دورۀ آماری 1981- 2004 برای توسعة مدل و سال‌های 2004-2014 جهت صحت‌سنجی مدل به منظور پیش‌بینی شش ماه آینده در مقیاس ماهانه استفاده شد. جهت بررسی میزان دقت مدل، مقادیر مشاهده‌ای و پیش‌بینی شدة بارندگی با استفاده از آزمون‌های Z و F مقایسه شدند و به منظور بررسی کارایی مدل، معیارهای R2، RMSE و MAE استفاده شدند. نتایج نشان‌دهندۀ تأثیر قوی شاخص MEI و SOI بر بارش منطقه است. نتایج مدل DMSNN نشان داد که بالاترین کارایی طی یک ماه آینده به بخش جنوبی فلات مرکزی با ضریب همبستگی 81/0 و ضعیف‌ترین نتایج به غرب حوزه با ضریب همبستگی 4/0 مربوط است. براساس نتایج به‌دست‌آمده، شبکۀ عصبی مصنوعی ابزار مفیدی برای پیش‌بینی بارش ماهانه و برنامه‌ریزی مدیریت منابع آب طی شش ماه آتی خواهد بود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Artificial Neural Network for Monthly Rainfall Forecasting Using Teleconnection Patterns (Case Study: Central Plateau Basin of Iran)

نویسندگان [English]

  • Hoda Ghasemiyeh 1
  • ommolbanin bazrafshan 2
  • Kobra Bakhshayesh manesh 3
1 Assistant Professor, Department of Range and Watershed Management, Faculty of Natural Resources and Geoscience, University of Kashan, Kashan, Iran
2 Assistant Professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran
3 M.Sc. in Watershed Management Engineering, Department of Range and Watershed Management, Faculty of Natural Resources and Geoscience, University of Kashan, Kashan, Iran
چکیده [English]

Rainfall is final result of complex global atmospheric phenomena and long-term prediction of rainfall remains a challenge for many years. An accurate long-term rainfall prediction is necessary for water resources management, food production and evaluation flood risks. Several large scale climate phenomena affect the occurrence of rainfall around the world; of these large scale climate modes El Nino southern Oscillation (ENSO) and Multivariate ENSO Index (MEI) are well known. Many studies have tried to establish the relationship between these climate modes for daily, monthly and seasonal rainfall occurrence around the world but the majority of these studies did not consider the effect of lagged climate modes on future monthly rainfall predictions.
This study focuses on investigating the use of combined lagged teleconnection patterns as potential predictors of monthly rainfall. Direct Multi Step Neural Network (DMSNN) approach was used for this purpose. Four regions (east, center and west) of Central Plateau Basin of Iran were chosen as case studies, each having many rainfall stations. Hence, precipitation data in a common statistical period of 1981-2014 in 20 synoptic stations in the study area were selected and that the data during 1981-2004 were considered to develop the model and the data during 2004-2014 were used for validation the model in order to predict the next 6 months in monthly time scale. Based on the cross correlation function (CCF) results, MEI (Multivariate ENSO Index) and SOI (Southern Oscillation Index) had strong impact on precipitation of the region.
Direct Multi Step Neural Network (DMSNN) modelling was also conducted for the 20 stations of Central Plateau Basin of Iran using the combined lagged MEI and SOI. Multilayer Perceptron (MLP) architecture was chosen for this purpose due to its wide use in hydrologic modeling. To determine the best combination of learning algorithms, hidden transfer and output functions of the optimum model, the Levenberg–Marquardt and backpropagation algorithms were utilized to train the network, tangent sigmoid equations used as the activation functions and the linear equations used as the output function.
The values R2 (Correlation Coefficient), RMSE (Root Mean Square Error), and MAE (Mean Absolute Error) parameters were used to explore the efficiency of the model.
ANN models generally showed lower errors and are more reliable for prediction purposes. After calibrating and validating the models they were tested on out-of-sample sets. ANN was able to perform out of sample test with correlation coefficient of of 0.81 for the South, and 0.4 for West of Central Plateau Basin of Iran. Although the effect of SOI and MEI in the west is quite weak, however with the use of combined lagged SOI–MEI sets Direct Multi Step Neural Network (DMSNN) modeling, long term rainfall forecast can be achieved. Thus, the results showed that the predicted data preserved the basic statistical properties of the observed series.
The results of this research showed that teleconnection indices are suitable inputs for intelligent models for rainfall prediction. Computing the best structure of artificial neural network models showed that DMSNN can predict rainfall most accurately.
Accurate long term rainfall forecasting can contribute significant positive impacts in water resources management. Central Plateau Basin of Iran climate is greatly fluctuating; at times it goes through severe drought years, then suddenly it experiences wet periods and dry. During drought periods, water supply and irrigation sectors are affected severely; proper prediction of such drought period helps water managers and users to have well-planned, coordinated allocation of resources. Also, prediction of the wet years helps flood management authorities to have well-planned flood disaster management. In addition to predicting rainy month in advance, the developed ANN models are also capable of predicting the intensity of seasonal rainfall.

کلیدواژه‌ها [English]

  • Central Plateau Basin
  • Teleconnection Patterns
  • Rain fall
  • Direct Multi Step Neural Network
بخشایش‌منش، ک.، 1392، ارزیابی ارتباط بین الگوهای پیونداز دور با بارش و شاخص SPI (مطالعه موردی: حوزۀ آبخیز فلات مرکزی)، پایان‌نامۀ کارشناسی ارشد، دانشگاه کاشان، 172ص.
بذرافشان، الف.، 1391، پیش‌بینی خشکسالی هیدرولوژیکی با استفاده از پیونداز دور و مدل‌های هوشمند (مطالعه موردی: حوزۀ آبخیز کرخه)، رساله دوره دکتری علوم و مهدسی آبخیزداری، دانشگاه تهران، 232ص.
بذرافشان، الف.، چشم‌براه، ع.، و حلی‌ساز، الف.، 1394، مطالعه روند تغییرات تبخیر از تشتک در نمونه‌های اقلیمی استان هرمزگان. م. علمی- ترویجی حفاظت و بهره‌برداری از منابع طبیعی، 4(2)، 171 تا 176.
بذرافشان، الف.، سلاجقه، ع.، فاتحی‌مرج، الف. مهدوی، م. بذرافشان، ج. و حجابی، س.، 1392، مقایسة کارایی مدل‌های آماری و مفهومی در پیش‌بینی خشک‌سالی هیدرولوژی (مطالعة موردی: حوزة آبخیز کرخه)، م. مرتع و آبخیزداری، 6 (4)، 493-508.
جلیلی، ش.، مرید، س. بناکار، الف. و نامدار قنبری، ر.، 1390، ارزیابی تأثیر شاخص‌های اقلیمی NAO و SOI بر تغییرات تراز دریاچه ارومیه، کاربرد روشهای آنالیز طیفی سری های زمانی، م. آب و خاک (علوم و صنایع کشاورزی)، 25(1)، 140-149.
خورشیددوست، ع. م.، قویدل رحیمی، ی.، 1385، ارزیابی اثر پدیده انسو برتغییرپذیری بارش‌های فصلی استان آذربایجان شرقی با استفاده از شاخص چندمتغیره انسو، م. تحقیقات جغرافیایی، 57، 15- 26.
زراع ابیانه، ح.، و بیات ورکشی، م.، 1391، مطالعه تاثیرپذیری تعداد روزهای بارانی از پدیده انسو در ایران، م. پژوهش‌های حفاظت آب و خاک، 1، 21- 39.
صداقت‌کردار، ع.، و فتاحی، الف.، 1387، شاخص‌های پیش‌آگاهی خشکسالی در ایران، م. جغرافیا و توسعه، 11، 59-76.
علوی، الف.، 1388، حوزه آبریز فلات مرکزی ایران، مدیریت بهم‌پیوسته منابع آب، م. مدیریت پیوسته منابع آب، 1، 1-4.
علیجانی، ب.، و قویدل رحیمی، ی.، 1384. مقایسه و پیش‌بینی تغییرات دمای سالانه تبریز با ناهنجاری‌های دمایی کرۀ زمین با استفاده از روش رگرسیون خطی و شبکۀ عصبی مصنوعی. م. جغرافیا و توسعه، 3(6)، 21-38.
غیور، ح.، و خسروی، م.، 1380، تأثیر پدیده انسو بر ناهنجاری‌های بارش تابستانی و پائیز منطقه جنوب‌شرق ایران. م. تحقیقات جغرافیایی، 62، 141-174.
فاتحی‌مرج، ا.، برهانی‌داریان، ع. و مهدیان، م.، 1385، پیش‌بینی بارش فصلی با استفاده از پیوند از دور (مطالعه موردی: حوزۀ آبریز دریاچۀ ارومیه) ، م. علوم و فنون کشاورزی و منابع طبیعی، 10(3)، 45-57.
فلاح‌قالهری، غ. ع.، موسوی بایگی، س. م.، حبیبی نوخندان، م.، و خوشحال، ج.، 1388، پیش‌بینی بارش سالیانه برپایه الگوهای سینوپتیک پیوند از دور با بهره‌گیری از مدل‌های آماری، م. منابع طبیعی ایران، نشریه مرتع و آبخیزداری، 62(1)، 111-123.
کوره‌پزان دزفولی، الف،. 1382، تأثیر سیگنال‌های هواشناسی در پیش بینی تغییرات بارش، پایان‌نامۀکارشناسی ارشد عمران آب ، دانشگاه امیر کبیر، 123ص.
موسوی بایگی، م.، فلاح قالهری، غ. و حبیبی نوخندان، م.، 1387، بررسی نشانه‌های پهن‌مقیاس اقلیمی با بارش خراسان. م. علوم کشاورزی و منابع طبیعی، 15(2)،۹-۱.
ناظم السادات، م.، انصاری بصیر، ا. و پیشوایی، م.، ۱۳۸۶، ارزیابی سطح معناداری برای پیش بینی دوران خشکسالی و ترسالی فصل پاییز و شش ماهه سرد ایران بر اساس وضعیت فازهای تابستانه ENSO. م. تحقیقات منابع آب ایران، 3(1)،12 -23.
ناظم السادات، م، ج.، 1380، بارندگی زمستانه در ایران، برهمکنش با ENSO .م. کشاورزی ، 25(4)، 740-782.
ناظم السادات، م، ج.، و شیروانی، الف.، 1385، کاربرد مدل تحلیل CCA برای مطالعه تأثیر دمای سطح خلیج فارس بربارندگی زمستانه مناطق جنوبی ایران، م. کشاورزی دانشگاه شهیدچمران اهواز، 28(2)، 65-77.
ناظم السادات، م، ج.، و قاسمی، ا.، 1381، خشکسالی و بارندگی مازاد در سیستان و بلوچستان و ارتباط آن با النینو – نوسان جنوبی. مجموعه مقالات اولین کنفرانس بررسی راهکارهای مقابله با بحران آب، 24-31.
نصیری، م.، 1389، پیش‌بینی خشک‌سالی با استفاده از شبکه‌های عصبی مصنوعی (مطالعة موردی ایستگاه سینوپتیک شیراز)، پایان‌نامة کارشناسی ارشد اقلیم‌شناسی، دانشگاه سیستان و بلوچستان، 134ص.
نیکزاد، ب.، 1389، آشکارسازی وابستگی‌های بین پارامترهای اقیانوسی- اتمسفری و اقلیمی به منظور پایش خشکسالی استان خوزستان به وسیلة روش داده‌کاوی، پایان‌نامة کارشناسی ارشد منابع آب، پردیس ابوریحان، دانشگاه تهران، 89 ص.
یاراحمدی، د.، و عزیزی، ق.، 1386، تحلیل چندمتغیره ارتباط میزان بارش فصلی ایران و شاخص‌های اقلیمی، م. تحقیقات جغرافیایی، 62، 161- 174.
Abbot, J. and Marohasy, J., 2012, Application of artificial neural networks to rainfall forecasting in Queensland, Australia. Advances in Atmospheric Sciences 29 (4), 717–730.
Barnett, T. P., Pierce, D. W., Latif, M., Dommenget, D. and Saravanan, R., 1999, Interdecadal interactions between the tropics and midlatitudes in the Pacific basin. Geophysical Research Letters, 26(5), pp.615-618.
Barua, S., Ng, A. W. M. and Perera, B. J. C., 2012, Artificial neural network-based drought forecasting using a non-linear aggregated drought index. J. Hydrol. Eng. 17 (12), 1408–1413.
Barua, S., Perera, B. J. C. Ng, A. W. M. and Tran, D., 2010, Drought forecasting using an aggregated drought index and artificial neural network. J.Water Clim. Chang. 1 (3), 193–206.
Chang, P., Ji, L. and Li, H., 1997, A decadal climate variation in the tropical Atlantic Ocean from thermodynamic air-sea interactions. Nature, 385(6616), 516-518.
Chen, Z. Grasby, S. and Osadetz, K. G., 2004, Relation between climate variability and groundwaterlevel in the upper carbonate aquifer. South Manitoba, Canada, Journal of Hydrology, 290, 43-62.
Deo, R. C. and Şahin, M., 2015, Application of the Artificial Neural Network model for prediction of monthly Standardized Precipitation and Evapotranspiration Index using hydrometeorological parameters and climate indices in eastern Australia, Atmospheric Research, 161,65-81.
Farokhnia, A., Morid, S. and Byun, H. R., 2011, Application of global SST and SLP data for drought forecasting on Tehran plain using data mining and ANFIS techniques, Theoretical and applied climatology, 104(1-2),71-81.
Hartmann, H., Becker, S. and King, L., 2008, Predicting summer rainfall in the Yangtze River basin with neural networks, International Journal of Climatology 28 (7), 925–936.
Kim, T. W. and Valdes, J. B., 2003, Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks, Journal of Hydrologic Engineering6, 319–328.
Lau, K. and Weng, H., 2001, Coherent modes of global SST and summer rainfall over China: an assessment of the regional impacts of the 1997–98 El Nino. Journal of Climate 14 (6), 1294–1308.
Mantua, N. J. and Hare, S. R., 2002, The Pacific decadal oscillation. Journal of oceanography, 58(1), 35-44.
Mekanik, F., Imteaz, M. Gato-Trinidad, S. and Elmahdi, A., 2013, Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes, Journal of Hydrology, 503, 11–21.
Mishra, A. K. and Desai, V. R., 2005, Drought forecasting using stochastic models, Stochastic Environment Research Risk Assessment, 19, 326-339.
Mishra, A. K. and Desai, V. R., 2006, Drought Forecasting Using feed-forward recursive neural network, Journal of Ecological Modeling, 198: 127-138.
NOAA, 2012, Climate Diagnostic Center: Climate Indices. Available from: http://www.cdc.noaa.gov/ClimateIndices.
Pongracz, R. and Bartholy, J., 2006, Regional Effects of ENSO in Central/Eastern Europe, Journal of Advances in Geosciences, 6: 133-137.
Poveda, G. Jaramillo, A. Gil, M. M. Quiceno, N. and Mantilla, R., 2001, Seasonality in ENSO-related precipitation, river discharges, soil moisture, and vegetation index (NDVI) in Colombia, Water Resour. Res, 37(8), 2169–2178.
 Pozo, D., 2005, El-Nino-Southern Oscillation Events and Associated European Winter Precipitation Anomalies, International Journal of Climatology, 17-31.
Risbey, J. S., Pook, M. J. McIntosh, P. C. Wheeler, M. C. and Hendon, H. H., 2009, On the remote drivers of rainfall variability in Australia, Monthly Weather Review 137 (10), 3233–3253.
Shukla, R. P., Tripathi, K. C. Pandey, A. C. and Das, I. M. L., 2011, Prediction of Indian summer monsoon rainfall using Niño indices: a neural network approach,  Atmospheric Research 102 (1–2), 99–109.
Wolter, K. and Timlin, M. S., 1993, Monitoring ENSO in COADS with seasonally adjusted principal component index, in Proceedings Seventh Annual Climate Diagnostic Workshop, Norman, Oklahoma, March 1993, 52–57.