پیش آگهی از بارش، نقش بسیار تعیین کننده ای در مدیریت خشکسالی ها و برنامه ریزی منابع آب شرب و کشاورزی ایفا می کند و می توان سیاست های آینده را در جهت بهینه سازی صرف هزینه ها و امکانات بهره وری حداکثر طرح ریزی کرد. در این پژوهش، به بررسی تاثیر سیگنال های بزرگ مقیاس اقلیمی بر بارش استان مازندران پرداخته شد. نخست، اثر سیگنال های اقلیمی بر بارش به صورت همزمان و با تاخیر، توسط روش های آماری (ضریب همبستگی پیرسون) مورد بررسی قرار گرفت و سپس با استفاده از مدل M5Tree اقدام به مدلسازی بارش ماهانه با شاخص های مرتبط شد. به طور کلی ضریب همبستگی بین سیگنال ها و بارش نشان داد که همبستگی همراه با تاخیر، مقادیر بیشتری نسبت به بررسی همزمان داشت. نتایج بررسی همبستگی بین شاخص های اقلیمی و بارش ماهانه با یک گام تاخیر نشان داد که در ایستگاه بابلسر، شاخص های AMM، NINO1+2، NINO3، NINO4، TNA و WHWP دارای همبستگی معنی دار با بارش بودند. شاخص-های AMM، NINO1+2، NINO3، ONI، TNA و WHWP همبستگی معنی داری با بارش ایستگاه قراخیل داشتند. همچنین بر پایه یافته ها، همبستگی بین سیگنال های اقلیمی و بارش ایستگاه نوشهر، اختلاف معنی داری با شاخص های AMM، NINO1+2، NINO3، NINO3. 4، TNA و WHWP داشت. همبستگی بین بارش رامسر و سیگنال های اقلیمی حاکی از ارتباط معنی دار سیگنال های AMM، NINO1+2، NINO3، TNA و WHWP بود. نتایج حاصل از مدل M5Tree حاکی از آن بود که، معمولاً در گام یک، بهترین عملکرد شبیه سازی بارش رخ داد. همچنین مقایسه نتایج شبیه سازی با نمودار Taylor بیانگر این بود که در تمامی ایستگاه ها، مقادیر گام تاخیر یک نزدیک تر به مشاهدات بودند. پیش بینی با تاخیر این مزیت را دارد که می توان وضعیت بارش را از پیش تعریف نمود و در مدیریت بهره برداری از منابع آب حوزه آبخیز، دخالت داد.

پیش بینی فرایندهای آب و هوایی به ویژه پیش بینی بارندگی ابزار مناسبی در اختیار مدیران حوزه های گوناگون قرار می دهد تا با در نظر گرفتن این پیش بینی ها، سیاست های آینده را طراحی کنند. در این تحقیق بعد از انتخاب موثرترین شاخص های اقلیمی با روش تجزیه مولفه های اصلی (PCA)، تاثیر سیگنال های اقلیمی بزرگ مقیاس بر بارش فصلی حوزه آبخیز مهارلو-بختگان به صورت همزمان و با تاخیر توسط روش های آماری (ضریب همبستگی متقاطع و پیرسون) مورد بررسی قرار گرفت و با استفاده از مدل رگرسیون گام به گام اقدام به ارائه معادله رگرسیون برای پیش بینی بارش شد. نتایج نشان داد که در روش همبستگی متقاطع بین سری زمانی SPI (متغیر وابسته) در زمان (t) و سیگنال های اقلیمی (متغیر مستقل) در زمان (t-k) تنها شاخص SOI به صورت همزمان دارای ارتباط معنی داری با بارش است، در حالیکه بیشتر شاخص ها با تاخیر زمانی مختلف با شاخص بارندگی استاندارد معنادار شده اند. در بررسی فصل به فصل سیگنال ها با شاخص بارندگی استاندارد با استفاده از ضریب همبستگی پیرسون مشخص شد که سیگنال های اقلیمی فصل بهار و تابستان ارتباط معنی داری با SPI ندارند. طبق ضرایب تبیین (R2) و تاثیر رگرسیونی استاندارد (Beta) در مدل های رگرسیونی گام به گام مشخص شد که بررسی همزمان و با تاخیر فصل به فصل سیگنال ها (مثلا SPI فصل پاییز با شاخص های چهار فصل قبل) در روش همبستگی پیرسون نسبت به همبستگی متقاطع در زمان (t-k)، (که سیگنال های تمام فصول با هم نسبت به SPI تمام فصول تاخیر داده می شود) ارتباط بیشتری را با شاخص بارندگی استاندارد فصلی نشان می دهد.

نوسان اطلس شمالی (NAO) یکی از سیگنال های بزرگ مقیاسی است که نیمکره ی شمالی زمین را تحت تأثیر قرار می دهد. تحقیقات مختلفی هم تغییری بارش های ایران با NAO را در مقیاس های ماهانه تا سالانه بررسی کرده اند. این تحقیق مقیاس زمانی هفتگی را در نظر گرفته است. متغیر بارش روزانه در دوره ی آماری (2016-1979) از پایگاه ERA-Interim اخذ و میزان تطابق آن با نقاط مرجع زمینی با روش همبستگی پیرسون بررسی شد. نتایج نشان داد مقدار بارش سالانه در مناطق مرطوب کشور به ویژه ناحیه ی خزر کم برآورد است. همچنین، همبستگی میانگین هفتگی بارش شبکه و سینوپتیک در حاشیه ی غربی، شمال شرقی و جنوب شرقی کشور بیشترین و در نواری به موازات خط غربی-شرقی (نواحی میانی) کمترین است. این همبستگی به ترتیب از زمستان به پاییز و بهار کاهش می یابد. بررسی سری زمانی فراوانی نسبی رخدادهای شدید NAO در مقیاس هفتگی نشان داد این سیگنال دارای دو اوج فعالیت در سال است که در انتخاب دوره ی زمانی بررسی رابطه ی بارش های ایران و NAO مورد استفاده قرار گرفت. ضریب همبستگی متقابل پیرسون بین بارش میانگین متحرک هفتگی شبکه و NAO برای هر سال جداگانه محاسبه شد و نتایج نشان داد هم تغییری در تمام سال ها به طور کلی دارای یک رفتار خاص نیست، اما فراوانی نسبی هم تغییری مستقیم بیشتر از معکوس است و از شمال به جنوب کاهش می یابد.

پیش­بینی بارش به­دلیل تأثیر آن بر کشاورزی، مدیریت بلایای طبیعی و نیز تأمین آب از اهمیت زیادی برخوردار است. در مطالعه حاضر، بارش ماهانه ایستگاه تله­زنگ در دوره آماری 1345 تا 1399 با استفاده از روش تجزیه مد متغیر (VMD) و روش تجزیه مد تجربی گروهی کامل (CEEMD) مدل­سازی شد. داده­های ورودی براساس چهار سناریو به مدل ماشین بردار پشتیبان (SVM) تعریف شد. در سناریوی اول مقادیر بارش ماهانه تا چهار تأخیر به­عنوان ورودی مدل در نظر گرفته شدند. در سناریوی دوم علاوه بر داده­های بارش تأخیریافته، ترم پریودیک (تناوبی) نیز به الگوهای ورودی مدل افزوده شد. در سناریوی سوم و چهارم به ترتیب داده­های بارش ماهانه توسط CEEMD و VMD تجزیه و در اختیار مدل قرار گرفتند. ره­یافت این پژوهش نشان داد افزودن ترم تناوبی عملکرد مدل را به مقدار کمی بهبود می­بخشد. هم چنین، مقایسه نتایج روش­های پیش­پردازش داده­ها توسط VMD و CEEMD نشان داد که مدل VMD-SVM از عملکرد بسیار بهتری نسبت به مدل CEEMD-SVM برخوردار بوده است. به طوری که این روش توانسته مقدار شاخص MAE را به طور متوسط حدود 25/35 میلی­متر نسبت به مدل منفرد و 77/13 میلی­متر نسبت به مدل CEEMD-SVM کاهش دهد و دقت بیش تری نیز داشته است.

پیش بینی بارش در برنامه ریزی های منابع آب خصوصاً در مناطق خشک کشور بسیار حائز اهمیت است. در این مقاله به بررسی تعیین ارتباط بین بارش فصلی با سیگنال های هواشناسی شامل شاخص چند متغیره انسو یا MEI، NINO’ s SST (NINO1+2، NINO3، NINO4 و NINO3. 4)، NAO و SOI در ایستگاه هواشناسی سینوپتیک یزد طی دوره 1986 تا 2017، پرداخته شده است. تعیین همبستگی ها در دو سطح صورت گرفت. سطح اول شامل بررسی همبستگی بین بارش های فصلی با ایجاد یک سال تأخیر در سری زمانی فصلی سیگنال های هواشناسی است. درحالت دوم بدون ایجاد تأخیر صورت پذیرفت. در ادامه و با استفاده از روش رگرسیون بر مبنای مدل حداقل مربعات جزئی (PLSR)، اقدام به پیش بینی بارش فصلی گردید. نتایج نشان داد مقادیر همبستگی قابل توجهی بین بارش فصل زمستان با مقادیر فصلی سیگنال های هواشناسی در فصل زمستان با یکسال تأخیر از پارامترهای MEI، SOI، NINO1+2، NINO3 و NINO3. 4 وجود دارد. حداکثر ضریب همبستگی مربوط به NINO1+2 برابر 0/68+ می شود. گفتنی است این مقدار برای SOI زمستان در سال قبل برابر 0/61-می باشد که نشان دهنده رابطه معکوس این پارامتر با بارش فصل زمستان با یک سال تأخیر است. برای سری های بدون ایجاد تأخیر، همبستگی قابل توجه بارش فصل زمستان با مقدار شاخص NAO در فصل پاییز و تابستان مشاهده گردید. در رابطه با پیش بینی بارش های فصلی، نتایج نشان دهنده عملکرد مناسب روش PLSR با توجه به ماتریس های ورودی است. در رابطه با داده های ورودی با تأخیر یکساله، بارش های فصل زمستان، تابستان، بهار و پاییز با مقدار RMSE به ترتیب برابر با 12، 9/9، 0/85 و 6/2 میلیمتر تخمین زده شده اند. شاخص NS برای فصول مذکور به ترتیب برابر با 69/0، 22/0، 2/0 و 72/0 می باشد. مقادیر R برای این همین فصل ها به ترتیب برابر با 0/83، 0/46، 0/45 و 0/85 بوده است. در کل، بارش ها در فصول سرد با دقت بیشتری برآورد شدند. توسعه و استفاده از مدل هایش پیش بینی می تواند برنامه ریزی های مدیریت منابع آب را با موفقیت بیشتری همراه سازد.

سیگنال های اقلیمی، الگوهای بزرگ مقیاسی از ناهنجاری های گردش و فشار هوا میباشد که در محدوده جغرافیایی وسیع گسترش یافته است. این سیگنال ها در توجیه رفتار اقلیم از اهمیت زیادی برخوردارند. در این پژوهش ارتباط بارش با سیگنال های اقلیمی(AO, NAO,SOI, ENSO) در ناحیه مرکزی ایران مورد بررسی قرار گرفته است. داده های سیگنال ها از پایگاه داده های NCEP استخراج گردید و مجموعه داده های بارش ماهانه نیز از مرکز خدمات ماشینی سازمان هواشناسی کشور دریافت شد. داده ها ماهانه طی دوره ی آماری 30 ساله، بین سال های 1978 تا 2008 بوده است. در نهایت با بکارگیری روش شبکه عصبی مصنوعی، مدل های شبیه سازی شده برای بازه های 0، 3 و 6 ماهه محاسبه شد و نتایج نشان داد از بین سیگنال های مورد مطالعه سیگنال ENSO در مناطقNINO1.2 و NINO3 بر بارش منطقه مورد مطالعه تاثیر معنی داری دارد و تاخیر 3 و 6 ماهه موجب قوی شدن ضریب همبستگی شاخص انسو در مناطق NINO1.2 و NINO3 با بارش ایستگاه های مورد مطالعه شده است. همچنین تاخیر 6 ماهه باعث منفی شدن ضریب همبستگی بین شاخص انسو در مناطق NINO1.2 و NINO3 است. مطابق با مدل های ارئه شده، سیگنال انسو در مناطق NINO1.2 و NINO3 می تواند به عنوان پیش بینی کننده بارش در کنار سایر پارامترهای تاثیرگذار مورد استفاده قرار گیرد و سایر سیگنال های اقلیمی مورد مطالعه تاثیر معنی داری بر بارش ایستگاه های مورد مطالعه ندارد.

بخش عمده ای از تحقیقات هیدرولوژی بر مدل سازی فرایند پویا و غیرخطی بارش - رواناب متمرکز است. تبدیل بارش به رواناب در عرصه حوضه به طور قطع شامل روابط غیر خطی پیچیده ای است که حاصل تعامل مجموعه ای از فرآیندهای هیدرولوژیکی مختلف می باشند. به این لحاظ به نظر می رسد که مدل سازی استوکاستیک فرایند نسبت به مدل سازی قطعی آن منطقی تر است. در این تحقیق جهت اجتناب از به کارگیری فرضیات اثبات نشده و بعضا گمراه کننده در جداسازی سری های زمانی بارش و رواناب به مولفه های مجزای بارش مازاد و رواناب مستقیم، بارش کل در مقابل رواناب کل مدل گردید.استفاده از مدل تابع انتقال با یک متغیر ورودی (بارش) و یک متغیر خروجی (رواناب)، انتقال آن به سیستم معادلات فضای حالت و نهایتا بهره گیری از روش استوکاستیک مدل سازی اطلاعات محور سببی مبتنی بر الگوریتم برگشتی صافی کالمن، برخورد این تحقیق در شناسایی رابطه غیر خطی بین بارش و رواناب بوده است. رهیافت فوق بر حوضه خرسان از زیرحوضه های اصلی کارون بزرگ اجرا گردید. برقراری تناسب بین پارامترهای واسنجی شده و خصوصیات روندیابی جریان در حوضه، آشکار کننده یک طبیعت موازی محتمل در این زیرحوضه بود. نهایتا جهت کمی سازی اعتمادپذیری مدل شناسایی شده، تحلیل حساسیت بر اساس روش شبیه سازی مونت کارلو اجرا گردید.