چکیده:
النینو از پدیدههای مهم اقلیمی است که تأثیر زیادی بر متغیرهای اقلیمی نقاط مختلف کره زمین دارد. با توجه به نقش تبخیر در مطالعات منابع آب، بررسی تأثیر پدیده النینو بر این متغیر اقلیمی، از اهمیت شایانی برخوردار است. هدف از این پژوهش بررسی امکان برآورد تبخیر در ایستگاه همدید خرم آباد با استفاده از دادههای النینو و با کمک مدل شبکه عصبی مصنوعی است. بدین منظور، دادههای تبخیر ماهانه ایستگاه به مدت 29 سال از 1992 تا 2011 از پایگاه داده سازمان هواشناسی کشور و دادههای النینو از سایت نوآ استخراج گردید. سپس با استفاده از مدل شبکه عصبی مصنوعی به تجزیه و تحلیل دادهها پرداخته شد. نتایج نشان داد که از میان موقعیتهای النینو تنها در Nina1 و Nina3 با تبخیر در ایستگاه مورد مطالعه ارتباط وجود دارد. با مقایسه دادههای مشاهدهای تبخیر و خروجی شبکه عصبی، میزان همبستگی این دادهها 78 درصد میباشد. بین دادههای النینو و خروجی شبکه عصبی همبستگی برقرار شد که میزان آن ۹۹/۰ است. بنابراین با توجه به بالا بودن همبستگی بین دادههای النینو و خروجی شبکه عصبی و با استفاده از معادله رگرسیون خطی میتوان برای ماههای بدون داده، با دقت 99 درصد، نسبت به برآورد تبخیر در ایستگاه خرم آباد، اقدام نمود.
Abstract El Nino is a climate phenomenon that affect many in climate variables in the parts of the earth. Due to the evaporation Role of water Study, the El Nino effect on climate parameters, will be important. In this study, using data from the El Nino and with the help of artificial neural networks to estimate evaporation in Khorramabad station has been studied. Monthly evaporation data in station for 29 years from 1992 to 2011 and El Nino data by the NOAA website provided and using artificial neural network analysis were investigated.The result indicate that from El Nino condition in Nina1 and Nina3 related with evaporation in station. By comparing the observed data evaporation and output neural network, data correlation is 78%. The correlation between El Nino and neural network output and the rate is 99 percent. Therefore, due to the high correlation between El Nino and output data network using the correlation equations can be used for months without data, to estimate the evaporation with 99 percent accuracy.