پیش بینی دما

با توجه به تاثیر دما در شرایط اقلیمی هر منطقه و اهمیت پیش بینی آن در برنامه ریزی های محیطی، استفاده از روش های دقیق تر آماری برای مطالعه تغییر و پیش بینی عناصری مثل دما، کاربرد وسیعی پیدا کرده است. یکی از روش های مذکور کاربست مدل سری زمانی هالت - وینترز است. با توجه به هدف پیش بینی که تخمین مقادیر کرانگین دمای اصفهان برای 10 سال آتی در بازه 2006 تا 2015 بوده است، ابتدا با توجه به تعداد داده های موجود از هر یک از سری ها که 55 عدد (بازه زمانی داده ها 1951 تا 2005 میلادی بوده است) بود، روش های مختلف پیش بینی سری زمانی مورد آزمون قرار گرفت. از میان روش های مذکور فقط مدل سری زمانی هالت - وینترز قابلیت پیش بینی اعداد منفی سری حداقل مطلق دماهای به ثبت رسیده سالانه اصفهان را داشت. پس از بررسی و آزمون مدل ها و درنظر گرفتن شاخص های ارزیابی، دقت و صحت مدل بار دیگر ثابت شد که مدل هالت - وینترز نتایج بسیار بهتری نسبت به سایر مدل ها ارایه می کند و به این علت به عنوان مدل مطالعاتی برای پیش بینی مقادیر 10 سال آتی دماهای مطلق حداقل و حداکثر اصفهان انتخاب گردید. این مطالعه نشان داد که بهترین مدل برای پیش بینی آتی دماهای مطلق حداقل و حداکثر اصفهان، مدل هالت - وینترز است.

وقوع مخاطرات جوی، همچون یخبندان و سرمای دیررس بهاره، سالانه، خسارات زیادی در بخش کشاورزی ایجاد می کند. برنامه ریزی به موقع می تواند خسارت ناشی از بلایای طبیعی را کاهش دهد. امروزه، با استفاده از مدل های پیش بینی عددی وضع هوا، می توان از خسارت های ناشی از آن ها جلوگیری کرد. در این تحقیق، برای ارزیابی پیش بینی دما توسط مدلWRF  در زمان وقوع سرماهای دیررس بهاره، از یازده ایستگاه هواشناسی واقع در حوضه آبریز زاینده رود، با درجه تفکیک افقی یک کیلومتر، شبیه سازی شد. سپس، با دو رویکرد نقطه ای و منطقه ای دماهای شبیه سازی شده با مقادیر دیدبانی متناظر در پیش بینی های 24 و 48ساعته دمای سطحی (دومتری) ارزیابی شد. براساس نتایج جذر میانگین مربعات خطا، ضریب تعیین اصلاح شده و شاخص میانگین اریبی که برای دمای شبیه سازی 24ساعته بهتر از 48ساعته است به ترتیب 8/2، 88/0، و 48/0 بود. ارتباط قابل قبولی از لحاظ آماری (ضریب همبستگی) بین متغیر مستقل، که همان داده های مدل WRF است، و متغیر وابسته، که همان داده های دیدبانی شده (واقعی) است، وجود دارد.

امروزه یکی از بزرگ ترین چالش ها در کشاورزی بررسی اثر عوامل آب و هوایی بر محصولات کشاورزی است. هدف از این تحقیق پیش آگاهی رخداد سرمازدگی باغات بادام در منطقه نجف آباد است. با توجه به آمار بلندمدت فنولوژی درختان بادام در منطقه نجف آباد، تاریخ های گل دهی استخراج و براساس تاریخ های ژولیوسی محاسبه شد. سپس، جدول شاخص های حرارتی ترسیم شد. از میان پارامترهای موجود، به ترتیب تعداد روزهای بالاتر از دمای میانگین ، مجموع واحدهای حرارتی بیشتر از صفر (GDD>0)، و تعداد روزهای پایین تر از دمای میانگین بیشترین همبستگی مستقیم معنی داری (P-value <0.01) را با تاریخ گل دهی نشان داد که به ترتیب معادل 945/0، 938/0، و 921/0 بود. معادلات رگرسیون چندمتغیره خطی و شبکه عصبی مصنوعی نیز بین گل دهی و شاخص های حرارتی بررسی شد؛ ضریب همبستگی این معادلات به ترتیب 998/0 و 995/0 ملاحظه شد. سپس، راست آزمایی خروجی دمای روزانه مدل WRF در منطقه مورد مطالعه انجام و مشخص شد که پیش بینی دمای مدل از لحاظ آماری قابل قبول است. براساس نتایج، با تلفیق دو مدل فنولوژی و پیش بینی دما به وسیله مدل WRF می توان هشدار سریع 48ساعته رخداد سرمازدگی در باغات منطقه را با دقت کافی انجام داد.

دمای هوا از اجزای اصلی مطالعات هیدروکلیماتولوژی، و متغیری کاربردی برای مدل های برنامه ریزی و بهره برداری از منابع آب است. دستیابی به داده های قابل اعتماد برای پیش بینی تغییرات دمایی در سال های آتی به منظور کاربرد آن در مدل های هواشناسی و هیدرولوژیکی از مهم ترین چالش ها است. طی سالیان اخیر، مدلهای پیش بینی مختلفی توانسته اند به عنوان یک راهکار قابل اطمینان مورد توجه قرار گیرند. اکثر این مدل ها بر اساس داده های تاریخی و با بهره گیری از تکنیک های هوش مصنوعی عمل می کنند. در تحقیق حاضر با استفاده از روشهای مبتنی بر هوش مصنوعی مانند روشهای هیبرید GA-ANN ، ICA-ANN ، PSO-ANN و مدلهای ELM ، ORELM سعی شد بهترین مدل برای پیش بینی داده های دمای ماهانه در اقلیم های مختلف ایران (ایستگاه های اهواز، کرمانشاه، مشهد و رشت) در یک دوره آماری 58 ساله معرفی گردد، تا بتوان با استفاده از آن به نتایج قابل اعتمادی دست پیدا کرد. نتایج نشان داد که خروجی مدل  ORELM دارای بهترین برازش با داده های مشاهداتی با ضریب همبستگی 99/0 بوده، و همچنین دارای بهترین و نزدیک ترین پراکندگی نقاط در اطراف خط 45 درجه می باشد که از این نظر دقیق ترین مدل محسوب می شود. برای اطمینان از صحت انتخاب مدل برتر از نمودار تیلور نیز استفاده شد. نتایج نشان داد که نزدیک ترین نقطه به نقطه مرجع مربوط به روش ORELM می باشد. لذا برای پیش بینی دمای ماهانه در اقلیم های مختلف می توان با اطمینان از مدل ORELM  استفاده کرد. این رویکرد کمک زیادی به محققین بخش آب و هواشناسی می کند تا با استفاده از هوش مصنوعی، تغییرات دمایی را با دقت بالاتری در سال های آتی پیش بینی نموده و با اطمینان در مدل های برنامه ریزی منابع آب استفاده نمایند.