پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,113,517 |
| تعداد دریافت فایل اصل مقاله | 89,878,905 |
پایش و پیشبینی وضعیت خشکسالی با استفاده از شاخص بارندگی استاندارد (SPI) و شبکۀ عصبی پرسپترون چندلایه (مطالعۀ موردی: استان های تهران و البرز) | ||
| اکوهیدرولوژی | ||
| مقاله 7، دوره 2، شماره 4، دی 1394، صفحه 417-428 اصل مقاله (1 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2015.58068 | ||
| نویسندگان | ||
| محمدحسین جهانگیر* 1؛ میمنه خوش مشربان2؛ حسین یوسفی1 | ||
| 1استادیار گروه انرژیهای نو و محیط زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| 2دانشجوی کارشناسی ارشد رشتۀ مهندسی طبیعت، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| چکیده | ||
| خشکسالی یکی از پدیدههای تکرارشونده در تمامی نقاط با اقلیمهای پربارش و کمبارش است و بلایی طبیعی به‌شمار می‌رود. ایران نیز از جمله کشورهایی است که با این پدیده در نقاط مختلف به‌خصوص حوضۀ رودخانهها درگیر است. استان تهران به‌دلیل اهمیت آن از نظر سیاسی و اجتماعی با رشد روزافزون جمعیت مواجه است که این امر به کاهش منابع آبی این استان دامن میزند. در این پژوهش به استان البرز که در گذشته یکی از شهرهای استان تهران محسوب میشد، توجه شد. خسارات واردشده از خشکسالی به این منطقه از نوع اقتصادی‌ـ اجتماعی است. در این پژوهش پایش و پیشبینی وضعیت خشکسالی، با استفاده از اطلاعات بارش 38 ایستگاه بارانسنجی در محدودۀ دو استان تهران و البرز، به‌وسیلۀ شاخص بارندگی استاندارد (SPI) در بازۀ زمانی 31 ساله بین سالهای آبی 1362ـ 1363 تا 1392ـ 1393 در میانگینهای زمانی 3، 6، 9، 12 و 24 ماهه انجام گرفت. نتایج بررسی شاخص SPI12 نشان داد حدود نیمی از ایستگاه در کل دورۀ مطالعاتی وضعیت نرمال داشتهاند و حدود یکسوم ایستگاهها در این مدت وضعیت خشکسالی را پشت سر گذاشتهاند. با توجه به مقادیر عددی شاخص SPI دو بازۀ زمانی 1375ـ 1376 و 1377ـ 1378 بهعنوان سالهایی که یک دورۀ کامل خشکسالی را تجربه کردهاند، انتخاب شدند. دورههای خشکسالی شدید و خیلی شدید، شدیدترین مقدار خشکسالی (کمترین مقدار SPI) برای تعدادی از ایستگاهها در دورههای 3، 6، 9، 12 و 24 ماهه محاسبه شد. همچنین پیشبینی با روش شبکۀ عصبی پروسپترون چندلایه انجام شد به‌طوری‌که حاصل به مقادیر مشاهداتی بسیار نزدیک بود. | ||
| کلیدواژه‌ها | ||
| استان تهران؛ پهنه بندی؛ پیش بینی خشکسالی؛ شاخص بارندگی استاندارد؛ شبکۀ عصبی پروسپترون | ||
| عنوان مقاله [English] | ||
| Drought monitoring with Standard Precipitation Index (SPI) and drought forecasting with Multi-layers perceptron (Case study: Tehran and Alborz Provinces) | ||
| نویسندگان [English] | ||
| Mohammad Hossein Jahangir1؛ Meimaneh Khoshmashraban2؛ Hossein Yousefi1 | ||
| چکیده [English] | ||
| Drought is the one of the repeating phenomenon in all areas with high rainfall and low rainfall climates and is known as a natural disaster. Iran is one of the countries those involved with this phenomenon in different parts of it especially in river basins. Tehran Province due to its importance in terms of social and political faced with growing population that it would contributes to the reduction of water sources in the province. Alborz province which in the past was considered one of the cities of Tehran, in this study were investigated. Losses incurred from drought in this area is socio-economic. In this study, we monitor and forecast drought, with rainfall data from 38 synoptic stations in Tehran and Alborz provinces. By Standard Precipitation Index (SPI) during 31 hydrological years between 1983-84 to 2013-14 at 3, 6, 9, 12 and 24 months average times. Study on SPI12 index showed that about half of the stations entire the study period were normal and about a third of the stations in this period had drought conditions. According to the numerical values SPI index 1996-97 and 1998-99 were selected as years those have been faced with drought. Severe and very severe periods of drought, the most severe drought level (lowest SPI) was calculated for some of the stations in periods of 3, 6, 9, 12 and 24 months. Also forecasted with Multi-layers perceptron neural network method and the results was very close to the observed data. ce. | ||
| کلیدواژه‌ها [English] | ||
| Standard Precipitation Index, Multi-layers perceptron, Drought Forecasting, zoning, Tehran Provin | ||
| مراجع | ||
|
1- حجازیزاده، زهرا؛ جویزاده، سعید؛ مقدمهای بر خشکسالی و شاخصهای آن، 1389، انتشارات سمت، 358 ص. 2- حسینی موغاری، سید محمد؛ 1392، توسعۀ سامانۀ پایش و پیشبینی خشکسالی (مطالعۀ موردی: حوضۀ گرگانرود)، پایاننامۀ کارشناسی ارشد، دانشگاه تهران، پردیس کشاورزی و منابع طبیعی، 144 ص. 3- سامانۀ خشکسالی هواشناسی ایران، آخرین دسترسی : 25/02/1394 http://drought.iranhydrology.net/DroughtinIran.htm.
4- کارآموز، محمد؛ و عراقینژاد، شهاب؛ هیدرولوژی پیشرفته. 1390، انتشارات دانشگاه صنعتی امیرکبیر، 460 صفحه. 5- مجلۀ اینترنتی خلیج‌فارس، آخرین دسترسی: 22/02/1395 http://parssea.org/?p=2643
6- مرید، سعید؛ پایمزد، شهلا. «مقایسۀ روشهای هیدرولوژیکی و هواشناسی جهت پایش روزانۀ خشکسالی در تهران». علوم و فنون کشاورزی و منابع طبیعی، سال یازدهم، ش 42، زمستان 1386، از ص 325 تا 333. 7- Araghinejad, S. 2014. Data-driven Modeling: Using MATLAB in Water Resources and Environmental Engineering. Springer.Mishra A. K., Desa, V. R. and Singh, V. P. 2007. Drought Forecasting Using a Hybrid Stochastic and Neural Network Model. Journal of Hydrologic Engineering, 12(6):626–638.
8- Chu P.S., Nash A.J., and Porter F.Y. 1993. Diagnostic studies of two contrasting rainfall episodes in Hawaii: Dry 1981 and wet 1982. Journal of climate, 6(7):1457-1462.
9- Karamouz, M., and Araghinejad S. 2009. Advanced Hydrology. Amirkabir University Press. Tehran.
10- McKee T.B., Doesken N.J., and Kleist J. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, 17(22):179-183.
11- McKee T.B., Doesken N.J., and Kleist J. 1995. Drought monitoring with multiple time scales, Ninth Conference on Applied Climatology, American Meteorological Society, Boston, Massachusetts, 233-236.
12- Morid S., Smakhtin V., and Bagherzadeh K. 2007. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27(15):2103-2111.
13- Mishra A. K., Desa, V. R. and Singh, V. P. 2007. Drought Forecasting Using a Hybrid Stochastic and Neural Network Model. Journal of Hydrologic Engineering, 12(6):626–638.
14- Palmer W.C. 1965. Meteorological drought. Washington, DC, USA: US Department of Commerce, Weather Bureau, 58 p.
15- Vafakhah M., and Bashari M. 2011. Probability study of hydrological drought and wet period’s occurrence using markov Chain in Kashafrood Watershed. Watershed Management Research (Pajouhesh&Sazandegi), 25(1):1-9. (In Persian with English abstract)
16- WilhiteD.A.,andPulwartyR.S. 2005. Drought and water crises: lessons learned and the road ahead. Drought and water crises, 431 p.
17- Wilhite D.A., Hayes M.J., Knutson C., and Smith K.H. 2000. Planning for Drought: Moving from Crisis to Risk Management. Journal of the American Water Resources Association, 36(4):697-710.
| ||
|
آمار تعداد مشاهده مقاله: 2,192 تعداد دریافت فایل اصل مقاله: 1,489 |
||