پیش نمایی بارش‌های تابستانه مونسونی جنوب شرق ایران مبتنی بر مدل همادی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آب و هواشناسی دانشگاه سیستان و بلوچستان، زاهدان، ایران

2 استاد اقلیم شناسی، گروه جغرافیای طبیعی (اقلیم شناسی)، دانشگاه سیستان و بلوچستان، زاهدان، ایران

3 دانشیار اقلیم شناسی، گروه جغرافیای طبیعی (اقلیم شناسی)، دانشگاه سیستان و بلوچستان، زاهدان، ایران

چکیده

عنصر بارش ماهیت متغیر و تصادفی دارد و به لحاظ مکانی و زمانی دارای رفتاری متفاوت است. لذا پیش­نمایی بارش در مقایسه با دیگر متغیرهای هواشناسی دارای عدم قطعیت بیشتر است. در پژوهش حاضر برای کاهش عدم قطعیت و تخمین مناسب  بارش، از برونداد داده‌های پایگاه کوردکس و مدل‌های CMIP5 از روش شبکه عصبی استفاده شد. نتایج نشان داد با توجه به همبستگی بالای دما، رطوبت و فشار هوا با بارش، کاربست این متغیرها در کاهش عدم قطعیت پیش­نمای بارش سودمند است. ضمن اینکه می‌توان از روش غیرخطی شبکه‌های عصبی مصنوعی جهت اریب سازی داده‌های بارش پایگاه کوردکس و CMIP5 جهت آینده‌نگری بارش در جنوب‌شرق کشور استفاده کرد. از دیگر نتایج این پژوهش روند افزایشی بارش‌های جنوب شرق ایران به‌ویژه نواحی ساحلی می­باشد. این امر را می­توان ناشی از افزایش سطح تحت تأثیر بارش‌های متأثر یا هم‌زمان با مونسون جنوب غرب هند دانست. روند افزایشی بارش در سواحل جنوبی بی‌ارتباط با افزایش ظرفیت نگهداشت محتوای رطوبتی نیز نمی­باشد. تغییرپذیری بین بارش سالانه باران‌های موسمی هند نیز نشان‌دهنده یک‌روند مثبت ثابت تحت گرمایش جهانی بی‌وقفه است. ازآنجاکه هم افزایش مدت بارندگی‌های موسمی و هم افزایش تنوع بین سالی در آینده در بیشتر مدل‌ها دیده می‌شود، می‌توان به این روندهای پیش‌بینی‌شده اطمینان خاطر داد. همچنین  پیش‌بینی می‌شود که بارش باران‌های مونسون تابستان هند در شرایط گرم شدن کره زمین در دهه 2050 در مقایسه بازمان پایه بیشتر باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Projection of summer monsoon rains in Southeast Iran based on Ensembel model

نویسندگان [English]

  • Mohammadreza Salarii Fanoodi 1
  • Mahmood Khosravi 2
  • Taghi Tavousi 2
  • Mohsen Hamidian Pour 3
1 PhD student of Climatology, University of Sistan and Baluchestan, Daneshgah Ave., Zahedan, Iran
2 Professor Dept. of Climatology, Faculty of Geography, University of Sistan and Baluchestan, Daneshgah Ave. Zahedan
3 Associate Professor Dept. of Climatology, Faculty of Geography, University of Sistan and Baluchestan, Daneshgah Ave., Zahedan, Iran
چکیده [English]

Projection of summer monsoon rains in Southeast Iran based on Ensemble model the precipitation factor has a variable and random nature and has a different behavior in terms of space and time. Therefore, the prediction of precipitation has more uncertainty compared to other meteorological variables. In the current study, the data output of Cordex database and CMIP5 models were used using the neural network method to reduce the uncertainty and estimate precipitation properly. The results showed that due to the high correlation of temperature, humidity and air pressure with precipitation, the use of these variables is beneficial in reducing the uncertainty of precipitation forecast. In addition, the non-linear method of artificial neural networks can be used to bias the rainfall data of Cordex database and CMIP5 to forecast the rainfall in the southeast of the country. Another result of this research is the increasing trend of rainfall in the southeast of Iran, especially in the coastal areas. This can be considered as a result of the increase in the level under the influence of rains affected or simultaneous with the southwest monsoon of India. The increasing trend of precipitation in the southern coasts is also related to the increase in the storage capacity of moisture content. The interannual variability of India's monsoon rainfall also shows a steady positive trend under continued global warming. Since both the increase in the duration of monsoon rains and the increase in interannual variability in the future are seen in most models, we can be confident in these predicted trends. Indian summer monsoon rainfall is also predicted to be higher under global warming in the 2050s compared to the baseline.

کلیدواژه‌ها [English]

  • Forecasting
  • Modeling
  • climate change
  • global warming
  • artificial neural network

مراجع

  1. امامی، سمیه، چوپان، یحیی و سلماسی، فرزین. (1397). ارائه روشی مبتنی بر الگوریتم‌های بهینه‌ساز گرگ خاکستری و رقابت استعماری در فرآیند بهره‌برداری بهینه از مخزن سد. نشریه مهندسی عمران امیرکبیر, 52(5), 1027-1046.‎
  2. سالاری فنودی، محمدرضا، خسروی، محمود؛ طاوسی، تقی و حمیدیان پور، محسن. (1399) مقایسه و ارزیابی دقت داده­های شبکه­ای بارش تابستانه پایگاه CORDEX با داده­های ایستگاهی (موردکاوی: بارش تابستانه جنوب شرق ایران)، پژوهش‌های اقلیم‌شناسی، شماره 40،11(43)،32-15
  3. سالاری فنودی، محمدرضا، (1400)؛ آینده‌نگریتغییرات بارشمونسون تابستانه هند در جنوب شرق ایران ، رساله مقطع دکترا، دانشگاه سیستان و بلوچستان
  4. Dash, Y., Mishra, S. K., & Panigrahi, B. K. (2018). Rainfall prediction for the Kerala state of India using artificial intelligence approaches. Computers & Electrical Engineering, 70, 66-73.
  5. Gadgil S, Rajeevan M & Nanjundiah R. (2005). Monsoon prediction–why yet another failure?. Current Science. 88
  6. Hsu, L. H., Chen, D. R., Chiang, C. C., Chu, J. L., Yu, Y. C., & Wu, C. C. (2021). Simulations of the East Asian winter monsoon on subseasonal to seasonal time scales using the model for prediction across scales. Atmosphere, 12(7), 865.
  7. Iqbal, Z., Shahid, S., Ahmed, K., Ismail, T., Ziarh, G. F., Chung, E. S., & Wang, X. (2021). Evaluation of CMIP6 GCM rainfall in mainland Southeast Asia. Atmospheric Research, 254, 105525.
  8. Kar, S. C., Acharya, N., Mohanty, U. C., & Kulkarni, M. A. (2012). Skill of monthly rainfall forecasts over India using multi‐model ensemble schemes. International Journal of Climatology, 32(8), 1271-1286.
  9. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61.
  10. Mitsui, T., & Boers, N. (2021). Seasonal prediction of Indian summer monsoon onset with echo state networks. Environmental Research Letters, 16(7), 074024.
  11. Mohanty, M. R., Pradhan, M., Maurya, R. K. S., Rao, S. A., Mohanty, U. C., & Landu, K. (2021). Evaluation of state-of-the-art GCMs in simulating Indian summer monsoon rainfall. Meteorology and Atmospheric Physics, 133, 1429-1445.
  12. Mohanty, M. R., & Mohanty, U. C. (2023). Inter-comparison of two regional climate models (RegCM and WRF) in downscaling CFSv2 for the seasonal prediction of Indian summer monsoon. Theoretical and Applied Climatology, 151(1), 99-114.
  13. Regan, E. (2019). Evaluating forecasts for Indian Summer Monsoon precipitation using the Navy Earth System Model. In 99th American Meteorological Society Annual Meeting. AMS.

 

  1. Saha, M., Mitra, P., & Nanjundiah, R. S. (2016). Predictor discovery for early-late Indian summer monsoon using stacked autoencoder. Procedia Computer Science, 80, 565-576.
  2. Singh, P. (2018). Indian summer monsoon rainfall (ISMR) forecasting using time series data: a fuzzy-entropy-neuro based expert system. Geoscience Frontiers, 9(4), 1243-1257.
  3. Sperber, K. R., Annamalai, H., Kang, I. S., Kitoh, A., Moise, A., Turner, A., ... & Zhou, T. (2013). The Asian summer monsoon: an intercomparison of CMIP5 vs. CMIP3 simulations of the late 20th century. Climate dynamics, 41, 2711-2744.
  4. Swenson, E. T., Straus, D. M., & Das, D. (2022). Indian Monsoon Teleconnections and the Impact of Correcting Tropical Diabatic Heating. Journal of the Atmospheric Sciences, 79(5), 1445-1458
  5. Tang, Y., & Duan, A. (2021). Using deep learning to predict the East Asian summer monsoon. Environmental Research Letters, 16(12), 124006.
  6. Turner, A., Annamalai, H. (2012), Climate change and the South Asian summer monsoon. Nature Clim Change 2, 587–595
  7. Wang, L., Zhang, F., Nepal, S., Xiang, Y., Tang, H., Shi, X., ... & Yu, Z. (2023). Response of runoff processes to temperature rise in basins with different glacier ratios in the monsoon-influenced southern Tibetan Plateau. Journal of Hydrology: Regional Studies, 45, 101299.



فایل ها

هم رسانی

ارجاع به این مقاله

آمار