پیش بینی بلندمدت بارش با استفاده از سیگنال های بزرگ مقیاس اقلیمی و مدل های ریز مقیاس، حوضه آبریز زاینده رود

با توجه به طول دوره آماری کم اطلاعات، سعی شده است تا حد امکان از مدلهایی با پیچیدگی کمتر استفاده شود. بدین منظور از روش تحلیل مولفه های اصلی برای بررسی تغییرات اطلاعات انتقالی با تعداد سیگنال های درنظر گرفته شده، استفاده شده است. سپس به منظور تعیین ورودی های مدل پیش بینی بارش حوضه، از روش همبستگی و روش نوین تست گاما استفاده شده است. مقایسه نتایج مدلسازی با استفاده از معیارهای ارزیابی نشان دهنده عملکرد بهتر مدل تست گاما در انتخاب ورودی های مورد نیاز است. در این تحقیق مدل ماشین بردار پشتیبان برای پیش بینی بارش در منطقه استفاده شده است و عملکرد آن با مدل های مبنایی چون k نزدیکترین همسایگی و شبکه عصبی مقایسه شده است. نتایج نشان دهنده عملکرد بهتر مدل ماشین بردار پشتیبان در مرحله تست داده ها می باشد. بنابراین در ادامه به عنوان مدل با دقت بالاتر در تولید و شبیه سازی رخدادهای بارش در دوره های آتی بر اساس سناریوی تغییر اقلیم a2 و b2 استفاده شده است. در دسته دوم مدلها، از مدل های ریز مقیاس کردن آماری استفاده شده است. در این مدل با استفاده خروجی های مدل gcm، بارش حوضه آبریز زاینده رود در بلند مدت پیش بینی شده اند. با توجه به بررسی های انجام شده، از میان 26 متغیر پیش بینی کنننده، موثرترین متغیرها شناسایی شده اند. سپس بر اساس داده های مشاهداتی، مدل کالیبره و صحت سنجی شده، مقادیر روزانه بارش در دورهه های آتی تحت سناریوهای تغییر اقلیم تولید شده اند. با مقایسه دسته اول نتایج از مدل ماشین بردار پشتیبان و دسته دوم نتایج مدل sdsm، مشخص شد که مدل ماشین بردار پشتیبان دارای خطای کمتری در برآور بارش بلندمدت در محدوده مورد مطالعه بوده است. . در دهه های اخیر، شناسایی سیگنال های بزرگ مقیاس اقلیمی به عنوان پیش بینی کننده های پدیده های هیدرولوژیکی، تحولی در پیش بینی ها به وجود آورده است. پیش بینی های بلندمدت فواید زیادی را عاید سیستم بهره برداری از مخازن خواهد نمود که تصمیم گیریهای مبتنی بر ذخیره و آزادسازی آب، پویاتر و انعطاف در برخورد با شرایط خاص بیشتر شده و منجر به کسب سود بیشتر در بهره برداری از منابع آب می گردد.