کاربرد cca به منظور ارزیابی و مقایسه توانایی soi و sst nino’s در پیش بینی بارش زمستانه سواحل دریای خزر

در ایران، حدود 75% از تولیدات برنج داخلی در استان های گیلان و مازندران، که از پر بارش ترین نواحی کشورند، تهیه می شود. پیش بینی های فصلی بارش تأثیر مهمی در تولید محصول و کاهش خطرهای حوادث اقلیمی در این ناحیه حاصل خیز از کشور دارد. با به کارگیری مدل تحلیل هم بستگی متعارف (canonical correlation analysis, cca)، امکان پیش بینی بارش زمستانه این استان ها براساس وضـعیت پدیده النینیو- نوسـانات جنوبی (elnino-southern oscillation, enso ) مورد ارزیابـی قرار گرفت. سری های زمانی شاخص نوسان های جنـوبی (southern oscillation index, soi) و دمای سطح آب در نینوها (nino's sst) به عنوان پیشگو کننده ها و بارش در بندر انزلی و نوشهر به عنوان پیشگو شونده در نظر گرفته شدند. به منظور کاهش تعداد متغیرهای پیشگو کننده اولیه به تعداد معدودی از مؤلفه های اصلی از روش توابع متعامد تجربی (empirical orthogonal function,eof ) اسـتفاده گـردید. از مجـمـوع بیسـت سـری زمانـی پیـش گـوکننـده، چـهار مـؤلـفه اصلـی(eof1, eof2, eof3, eof4) از مجموعه داده های پیشگو کننده که 92% از کل واریانس این مجموعه داده ها را شرح می دادند، انتخاب شده و بقیه مؤلفه ها به عنوان اختلال ( noise ) در نظر گرفته شدند. بر مبنای eof های انتخاب شده و سری های زمانی بارش، مدل cca برای پیش بینی بارش زمستانه بندر انزلی و نوشهر به کار برده شد. نتایج نشان داد که پیشگو کننده های در نظر گرفته شده در حدود 45% از کل واریانس سری زمانی بارش را شرح می دهند. ضرایب هم بستگی بین مقادیر بارش مشاهده و شبیه سازی شده در سطح 5% معنی دار بودند. در 70% از موارد، علائم مقادیر نرمال دیده شده و شبیه سازی شده یکسان بودند که توانایی معقول مدل برای پیش بینی خشکسالی و ترسالی را نشان می دهد. در پیش بینی بارش، نوسان های nino's sst (به خصوص (nino4 حدود 10% موثرتر از soi تشخیص داده شد.