نویسنده

چکیده

چکیده در این تحقیق ، داده‌های مربوط به ناهنجاری‌های دمایی کره زمین و بارش متوسط سالانه ایستگاه جلفا در طی دوره آماری 2003-1960 استفاده شده است. روش‌های اصلی به کار گرفته شده در این مطالعه، عبارت از: روش تعیین ضریب همبستگی پیرسون، تحلیل مولفه روند سری‌های زمانی، رگرسیون خطی ساده و شبکه‌های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون، نشان دهنده همبستگی منفی و معکوس معنی داری بین بارش سالانه جلفا و ناهنجاری‌های دمایی کره زمین است. این، بدان معنی است که غالباً با منفی شدن ناهنجاری‌های دمایی کره زمین بارش سالانه جلفا افزایش یافته، ترسالی به وقوع می‌پیوندد و برعکس، با مثبت شدن ناهنجاری‌های دمایی کره زمین، متوسط بارش سالانه جلفا کاهش یافته، خشکسالی به وقوع می‌پیوندد. تحلیل مؤلفه روند بلند مدت سری‌های زمانی نشان می‌دهد که در طول دوره آماری از بارش متوسط سالانه جلفا کاسته می‌شود، اما روند ناهنجاری‌های دمایی کره زمین روندی افزایشی دارد. با استفاده از شبکه‌های عصبی مصنوعی، ارتباط بارش متوسط سالانه جلفا با گرمایش جهانی شبیه سازی شده است. نتایج حاصل از کاربرد روش‌های مختلف در این مطالعه نشان می‌دهد که روش شبکه عصبی مصنوعی در مقایسه با روش‌های رگرسیون خطی ساده روش شبیه سازی بهتر و دقیق تری است. روش‌های مختلف شبکه‌های عصبی مصنوعی به کار گرفته شده در این مطالعه نشان داد که روش پرسپترون چند لایه، با چهار لایه مخفی و الگوریتم آموزش پس انتشار، دارای قابلیت بسیار عالی در پیش بینی همبستگی بین سری‌هاست.

کلیدواژه‌ها

عنوان مقاله [English]

The Statistical detection of the global warming impact on fluctuations of annual precipitation in Jolfa station using Artificial Neural Networks

نویسنده [English]

  • Y. Ghavidel Rahimi

چکیده [English]

  Abstract   In this research the data relating to Global land/oceans temperature anomalies and annual mean precipitation of Jolfa station have been used for the 1960-2003 period. The main methodologies being used in this research are the Pearson correlation coefficient method, analysis of trend component of time series, simple linear and Artificial Neural Networks methods. The results of applying Pearson analysis indicate significant negative and inverse correlation between Global land/oceans temperature anomalies and annual precipitation in the Jolfa station. This is an indicative of the increase of precipitation and occurrence of wet years in during the negative Global temperature anomalies and on the contrary the precipitation reduction and occurrence of droughts in during the positive temperature anomalies. The analysis of long term trend components of time series showed that the annual mean precipitation of Jolfa has a decreasing trend towards the length of the period, but annual Global land/oceans temperature anomalies has a increasing trend towards the length of the period. Also we have simulated the relationships between annual precipitation in Jolfa station and Global Warming using Artificial Neural Networks. The applying different methods demonstrated that artificial neural network is recognized as a better and more accurate simulation model compared to the other models applied in this research, i.e., simple regression model. Different artificial neural network methods were used to demonstrate this relation, among which the Multi Layer Perceptron (MLP) with 4 hidden layers analysis with back propagation learning algorithm showed excellent capability in predicting the correlation between the series.   

کلیدواژه‌ها [English]

  • Key words: Annual precipitation
  • Rainfall trend
  • Regression methods
  • Artificial Neural Networks (ANN)
  • Multi Layer Perceptron (MLP)
  • climate change
  • Jolfa