پیش‌بینی درازمدت بارش با استفاده از خوشه‌بندی سیگنال‌های هواشناسی با توجه به تغییرات بارش به‌روش K_Means اصلاح شده مطالعه‌ی موردی: پیش‌بینی بارندگی استان سیستان و بلوچستان

نوع مقاله: پژوهشی

نویسندگان

1 قطب علمی مهندسی و مدیریت زیرساخت، دانشگاه تهران

2 دانشکده مهندسی عمران، دانشگاه تهران

چکیده

مطالعه‌ی تغییرات اقلیمی و شناسایی متغیرهای مختلف آب و هوایی (ازجمله بارش) کمک شایانی به پیش‌بینی این‌گونه متغیرها می‌کند. بیان ارتباط سیگنال‌های بزرگ مقیاس اقلیمی ـ مثل دمای سطح دریا (SST) ـ و متغیرهای مهم هیدرولوژیکی ـ مثل بارندگی ـ ازجمله تحقیقات صورت گرفته در سال‌های اخیر است. در این نوشتار روشی نوین با عنوان K_Meansاصلاح شده برای خوشه‌بندی ارائه شده است. برای بررسی کارایی مدل پیشنهادی از مطالعه‌ی موردی بر روی استان سیستان و بلوچستان، واقع در منطقه‌ی جنوب شرق ایران، استفاده شده است. در این مطالعه از اطلاعات بارش ۲۰ ایستگاه مختلف این استان استفاده شده است و خوشه‌بندی سیگنال هواشناسی SST در مناطق جغرافیایی منتخب در دریای عمان، دریای عرب و اقیانوس هند با توجه به تغییرات بارش این ایستگاه‌ها صورت گرفته است. استفاده از روش K_Means اصلاح‌شده برای خوشه‌بندی سیگنال‌های هواشناسی و ارائه‌ی الگوریتمی پویا برای بیان ارتباط بارش منطقه مورد مطالعه در زمان‌های مختلف با الگوهای خوشه‌بندی زمان ـ مکان از نوآوری‌های این تحقیق محسوب می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

LONGTERM PRECIPIDATION FORECASTING USING CLIMATE SIGNALS CLUSTERING WITH RESPECT TO PRECIPITATION VARIATIONS WITH MODIFIED K-MEANS METHOD (CASE STUDY: PRECIPIDATION FERECASTING OF SISTAN-BALOUCHESTAN PROVINCE)

نویسندگان [English]

  • B. Zarhrai 1
  • A. Roozbahani 2
1 Center of Excellence for Engineering and Management of Infrastructures University of Tehran
2 School of Civil Engineering University of Tehran
چکیده [English]

Studying climatic variations and finding different hydrological variables, such as precipitation, can be very useful in the prediction of these variables. Some recent research has tried to explain the relation between large scale climatesignals, like Sea Surface Temperature (SST), andsome hydrological variables, such as precipitation. Inthis paper, a novel method for clustering is presented,which is called Modified K-Means". This method is based on the ordinary K-Means method, but the framework

of selecting the cluster centers is modified in a way wherein clustering SST and its relation with precipitation are considered simultaneously. This model tries to find the relationship between climatic signals and precipitation variations. 20 rain gauges in the Sistan & Baluchestan province in Southeastern Iran have been considered in the case study. The use of the Modified KMeans method for showing the relation between precipitation in various seasons and temporal-spatial variations of SST is an innovative aspect of this paper.

کلیدواژه‌ها [English]

  • Clustering
  • climate signals
  • modified K-Means
  • GA clustering
  • sea surface temperature (SST)