RT - Journal Article T1 - Annual precipitation forecast in two arid and semi-arid regions JF - geospace YR - 2020 JO - geospace VO - 20 IS - 71 UR - http://geographical-space.iau-ahar.ac.ir/article-1-3507-fa.html SP - 159 EP - 175 K1 - Annual Precipitation Prediction K1 - Artificial Neural Network K1 - Chaharmahal-Bakhtiari K1 - Regression Model K1 - Yazd. AB - برآورد میزان بارش، موفقیت در مدیریت بهتر منابع آب و حوضه­های آبخیز به منظور استفاده بهینه و پایدار از این منابع را تضمین می­کند. در این تحقیق با استفاده از آمار بارش و دمای روزانه ایستگاه­های مختلف هواشناسی استان­های چهارمحال و بختیاری (اقلیم نیمه خشک) و یزد (اقلیم خشک) که دارای آمار روزانه بلند مدت بودند، پارامترهای مختلفی محاسبه شد. از میان این پارامترها، مجموع بارش شش ماهه اول سال آبی (R6m1، میلی­متر)، طول فاصله زمانی وقوع 5/47 میلی­متر بارش از ابتدای پاییز (t47.5، روز)، میانگین بلند مدت بارش (Rm، میلی­متر)، متوسط دمای تابستان قبل از هر سال آبی (Tsu، درجه سانتی­گراد) و متوسط دمای تابستان سال آبی قبل و پاییز هر سال آبی (Tsu.au، درجه سانتی­گراد) که هر یک همبستگی بالایی با بارش سالانه داشتند، در مدل­های خطی ساده و روش شبکه عصبی مصنوعی برای پیش بینی بارش سالانه بکار گرفته شد. مدل­های بدست آمده در سطح احتمال کمتر از 01/0 معنی­دار بودند. نتایج نشان داد هر یک از این روش­ها می­تواند بارش سالانه را با دقت مناسبی برآورد نماید. ارزیابی مدل­ها با شاخص ریشه میانگین مربعات خطای نرمال شده (NRMSE) کمتر از 3/0 و شاخص تطابق (d) بالاتر از 8/0 نیز کارایی مدل­ها را تصدیق کرد. دمای بالاتر در تابستان و پاییز حاکی از بارش سالانه بیشتر در استان چهارمحال و بختیاری بود و بارش کمتر در استان یزد بود. همچنین در دو استان هر چه فاصله زمانی وقوع 5/47 میلی­متر باران از ابتدای پاییز به تأخیر بیفتد بارش سالانه کمتر خواهد بود. LA eng UL http://geographical-space.iau-ahar.ac.ir/article-1-3507-fa.html M3 ER -