fa مدل سازی پیش‌یابی بارش ماهانه در حوضه آبریز بلوچستان جنوبی هواشناسی و اقلیم Climatology پژوهشی اصیل Original Research <p dir="RTL" style="text-align: justify;">افزایش رخداد بارش‌های حدی و از سوی دیگر عدم بارش در یک گستره، خسارات قابل توجهی در دهه‌های اخیر به بوم‌سامانه‌های طبیعی و مصنوعی وارد ساخته است. از این رو پیش‌یابی مقادیر بارش برای مدیریت مناسب منابع آبی در این گستره&shy;ها بسیار اهمیت دارد. هدف این پژوهش پیشنهاد مدل و بررسی دقت پیش‌یابی بارش ماهانه با روش‌های شبکه عصبی مصنوعی و مدل&shy;های تصادفی در پهنه جنوب شرق کشور واقع در استان سیستان و بلوچستان می&shy;باشد. این منطقه به لحاظ تاثیرپذیری از سامانه&shy;های گوناگون باران&shy;زا و کمی متفاوت از سایر مناطق کشور، دارای رژیم بارش رگباری نامنظم و تقریبا پیچیده&shy;ای است. پیش&shy;یابی بارش معرف منطقه با استناد بر روش&shy;های سری زمانی ساریما و شبکه عصبی با تاخیر زمانی انجام گرفت. داده&shy;های مورد بررسی شامل سری بارش ماهانه دوره آماری 52-1351 تا 88-1387 برای ایستگاه‌های منتخب منطقه می&shy;باشد، که بر پایه پراکنش مناسب ایستگاه‌ها و کیفیت داده&shy;ها برگزیده شدند. مقایسه نتایج پیش&shy;یابی دو روش مورد بررسی نشان از برتری روش شبکه عصبی تاخیر زمانی نسبت به سری زمانی ساریما برای گستره مطالعاتی دارد. این امر به تاثیر سامانه&shy;های مختلف باران&shy;زا، رژیم بارش&shy;های رگباری و بسیار پراکنده‌ پهنه جنوب شرق کشور مربوط می‌‌شود.</p> <p style="text-align: justify;">Flood and drought have caused several damages in natural and unnatural ecosystems in recent decade. Rainfall prediction can be useful in water resource management. The goal of this study is modeling the monthly precipitation of south east of Iran in South-Baluchistan basin, using artificial neural network (ANN) and stochastic models. This area has an unpredictable and complicated monthly rainfall pattern due to impact of several different precipitation systems of other surrounding regions. SARIMA time series models and Time Delay Neural Network (TDNN) are used in monthly precipitation forecasting. Monthly time series of rainfall during 1351-52 to 1387-88 in selected station were used in this study. Stations selection was based on Geographical distribution and data quality. Comparing the results of models of forecasting showed that TDNN model is superior to SARIMA time series model due to different rainfall systems and very sporadic precipitation in this area.</p> بارش, شبکه­ عصبی, سری زمانی, پیش‌یابی, حوضه بلوچستان جنوبی Precipitation, ANN, Time Series, Forecasting, South-Baluchestan Basin 149 162 http://georesearch.ir/browse.php?a_code=A-10-1-76&slc_lang=fa&sid=1 Safar Marofi صفر معروفی smarofi@yahoo.com 10031947532846004951 10031947532846004951 Yes Department of Water Engineering, Bu-Ali Sina University, Hamedan, Iran گروه علوم و مهندسی آب ،دانشگاه بوعلی سینا ،همدان،ایران Reza Norooz Valashedi رضا نوروز ولاشدی 10031947532846004952 10031947532846004952 No Department Of Agro Meteorology,Bu-Ali Sina University, Hamedan, Iran گروه هواشناسی کشاورزی ،دانشگاه بوعلی سینا، همدان،ایران Foroogh Golkar فروغ گلکار 10031947532846004953 10031947532846004953 No Department Of Agro Meteorology,Bu-Ali Sina University, Hamedan, Iran گروه هواشناسی کشاورزی ،دانشگاه بوعلی سینا، همدان،ایران