سیدمحمدجعفر ناظم السادات، امین شیروانی،
جلد 8، شماره 1 - ( بهار 1383 )
چکیده
در ایران، حدود 75% از تولیدات برنج داخلی در استان‌های گیلان و مازندران، که از پر بارش ترین نواحی کشورند، تهیه می‌شود. پیش‌بینی‌های فصلی بارش تأثیر مهمی در تولید محصول و کاهش خطرهای حوادث اقلیمی در این ناحیه حاصل‌خیز از کشور دارد. با به‌کارگیری مدل تحلیل هم‌بستگی متعارف (Canonical Correlation Analysis, CCA)، امکان پیش بینی بارش زمستانه این استان‌ها براساس وضـعیت پدیده النینیو- نوسـانات جنوبی (ELNino-Southern Oscillation, ENSO ) مورد ارزیابـی قرار گرفت. سری‌های زمانی شاخص نوسان‌های جنـوبی (Southern Oscillation Index, SOI) و دمای سطح آب در نینوها (Nino's SST) به‌عنوان پیشگو کننده‌ها و بارش در بندر انزلی و نوشهر به‌عنوان پیشگو شونده در نظر گرفته شدند. به‌منظور کاهش تعداد متغیرهای پیشگو کننده اولیه به تعداد معدودی از مؤلفه‌های اصلی از روش توابع متعامد تجربی (Empirical Orthogonal Function,EOF ) اسـتفاده گـردید. از مجـمـوع بیسـت سـری زمانـی پیـش‌گـوکننـده، چـهار‌مـؤلـفه اصلـی(EOF1, EOF2, EOF3, EOF4) از مجموعه داده‌های پیشگو کننده که 92% از کل واریانس این مجموعه داده‌ها را شرح می‌دادند، انتخاب شده و بقیه مؤلفه‌ها به‌عنوان اختلال ( Noise ) در نظر گرفته شدند. بر مبنای EOF های انتخاب شده و سری‌های زمانی بارش، مدل CCA برای پیش بینی بارش زمستانه بندر انزلی و نوشهر به‌کار برده شد.
نتایج نشان داد که پیشگو کننده‌های در نظر گرفته شده در حدود 45% از کل واریانس سری زمانی بارش را شرح می‌دهند. ضرایب هم‌بستگی بین مقادیر بارش مشاهده و شبیه سازی شده در سطح 5% معنی دار بودند. در 70% از موارد، علائم مقادیر نرمال دیده شده و شبیه‌سازی شده یکسان بودند که توانایی معقول مدل برای پیش‌بینی خشکسالی و ترسالی را نشان می‌دهد. در پیش‌بینی بارش، نوسان‌های Nino's SST (به‌خصوص (Nino4 حدود 10% موثرتر از SOI تشخیص داده شد.
سید محمد جعفر ناظم‌السادات، امین شیروانی،
جلد 9، شماره 3 - ( پاییز 1384 )
چکیده
با توجه به آن که نوسانات دمای سطح آب خلیج فارس (PGSST) (Persian Gulf Sea Surface Temperature) تأثیر قابل ملاحظه‌ای بر بارش زمستانه، منابع آب و تولیدات کشاورزی نواحی جنوب غربی کشور دارد، امکان پیش بینی دمای زمستانه دمای سطح آب این گستره آبی با استفاده از مدل رگرسیون چندگانه مورد ارزیابی قرار گرفت. سری‌های زمانی PGSST برای کلیه فصول در دوره 1992-1947 به عنوان پیشگوکننده و سری زمانی این متغیر برای دوره 1993-1948 به عنوان پیشگو شونده در نظر گرفته شدند. تحلیل مؤلفه‌های اصلی (PCA) (Principal Component Analysis) به منظور استخراج مؤلفه‌های اصلی و کاهش حجم داده‌ها به کار برده شد. چهار سری زمانی جدید (PC1، PC2 ، PC3 و PC4) که 5/73% از واریانس کل را شرح دادند به عنوان مؤلفه‌های اصلی انتخاب شده و بقیه به عنوان اختلال در نظر گرفته شد. دوران واریماکس به منظور یافتن وابستگی هر مؤلفه اصلی با سری‌های زمانی اولیه PGSST استفاده شد. این دوران نشان داد که PC1، PC2 ، PC3 و PC4 به ترتیب معرف تغییرات دما در فصل زمستان، پاییز، بهار و تابستان می‌باشند. در مدل رگرسیونی، مؤلفه‌های اول، دوم و چهارم در سطح 5% معنی‌دار شدند و مؤلفه سوم معنی‌دار نگردید. نتایج نشان داد که متغیرهای معنی‌دار، 5/33% از واریانس PGSST زمستانه را شرح می‌دهند. روشن شد که جهت پیش بینی دمای زمستانه سطح آب خلیج فارس، دمای سطح آب این گستره آبی در زمستان سال قبل از اهمیت ویژه‌ای برخوردار است. در مرحله بعدی دمای پاییزه و تابستانه برای پیش‌بینی دمای زمستانه نقش دارند.
