پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,500 |
| تعداد مشاهده مقاله | 124,091,023 |
| تعداد دریافت فایل اصل مقاله | 97,194,958 |
ارزیابی دقت داده‌های CFSR و مدل LARS-WG در شبیه‌سازی پارامترهای اقلیمی استان چهارمحال و بختیاری | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 10، دوره 48، شماره 2، تیر 1395، صفحه 321-334 اصل مقاله (1.05 M) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2016.59373 | ||
| نویسندگان | ||
| سمیرا اخوان* 1؛ نسرین دلاور2 | ||
| 1استادیار گروه علوم و مهندسی آب، دانشکدة کشاورزی، دانشگاه بوعلی سینا | ||
| 2دانشجوی کارشناسی‌ارشد آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکدة کشاورزی، دانشگاه بوعلی سینا | ||
| چکیده | ||
| هدف پژوهش حاضر، ارزیابی دقت مولد آب‌وهوایی LARS-WG و داده‌های CFSR در شبیه‌سازی پارامترهای اقلیمی (دمای کمینه و بیشینه و بارش) استان چهارمحال و بختیاری است. بدین‌منظور، از مقایسةشاخص‌های آماری RMSE، MBE، MAEو R2استفاده شد. در ایستگاه شهرکرد مقادیر RMSE و MAE برای بارش ماهانة داده‌های CFSR به ترتیب 49/20 و 19/11 میلی‌متر و برای بارش سالانه 88/92 و 51/72 میلی‌متر است. این مقادیر بارش، در مورد مدل LARS-WG در مقیاس ماهانه به ترتیب 45/41 و 75/24 میلی‌متر و در مقیاس سالانه 75/164 و 43/123 میلی‌متر است. در مجموع، داده‌های CFSRدر بازة زمانی کوتاه‌تر (ماهانه و سالانه) دارای آماره‌های خطاسنجی کمتری نسبت به مدل LARS-WGاست و همبستگی بیشتری با داده‌های مشاهداتی دارد. بنابراین، در تخمین پارامترهای اقلیمی کوتاه‌مدت، دقت بالاتری دارد. همچنین، نتایج بیانگر توان‌مندی مدل LARS-WG در شبیه‌سازی پارامترهای اقلیمی در بازة زمانی طولانی‌مدت (دهه) است. به‌همین دلیل، مقادیر آماره‌های مذکور در مقیاس‌های زمانی کوتاه‌تر، چندان مناسب نیست. بدین‌ترتیب، باتوجه به اهداف هر تحقیق، می‌توان از نتایج هر دو روش استفاده کرد. همچنین داده‌های CFSRدر نقاط فاقد ایستگاه هواشناسی گزینة ارزش‌مندی محسوب می‌شود. | ||
| کلیدواژه‌ها | ||
| بارش؛ دمای بیشینه؛ دمای کمینه؛ LARS-WG؛ CFSR | ||
| مراجع | ||
|
بابائیان، ا.؛ نجفی نیک، ز.؛ زابلعباسی، ف.؛ حبیبی نوخندان، م.؛ ادب، ح.؛ و ملبوسی، ش. (1386). مدل‌سازی اقلیم ایران در دورة 2010- 2039 با استفاده از ریزمقیاس‌نمایی آماری خروجی مدل ECHO-G، کارگاه فنی اثراتتغییراقلیمدرمدیریتمنابعآب، بهمن، تهران: 62-72. حجارپور، ا.؛ یوسفی، م.؛ و کامکار، ب. (1393). آزمون دقت شبیه‌سازهای LARS-WG، WeatherMan و CLIMGEN در شبیه‌سازی پارامترهای اقلیمی سه اقلیم مختلف (گرگان، گنبد و مشهد)، جغرافیاوتوسعه، 12(35): 201-216. خلیلی اقدم، ن.؛ مساعدی، ا.؛ سلطانی، ا. و کامکار، ب. (1391). ارزیابی توانایی مدل LARS- WG در پیش‌بینی برخی از پارامترهای جوی سنندج، مجلةپژوهش‌هایحفاظتآبوخاک، 19(4): 85-102. سایت ادارة کل هواشناسی استان چهارمحال و بختیاری http://www.chaharmahalmet.ir Babaeian, A.; Najafi Nik, Z.; Zabol Abassi, F.; Habibi Nokhandan, M.; Adab, H. and Malbousi, Sh. (2007). Iran climate modeling using statistical downscaling output ECHO-G model in period 2039-2010, Technical Workshop on the Effects of Climate Change on Water Resources Management, Tehran, January 2008: 72-62.
Chaharmahal and Bahktiari Meteorological Organization website: http://www.chaharmahalmet.ir
Dile, Y.T. and Srinivasan R. (2013). Evaluation of CFSR climate data for hydrologic prediction in data scarce watersheds: An application in the blue Nile River basin, Journal of American Water Resources Association (JAWRA), 50(5): 1226–1241.
Fodor, N.; Dobi, I.; Mika, J. and Szeid, L. (2010). MV-WG: A new multi-variable weather generator, Meteorol Atmos Phys, 107: 91–101
Fuka, D.R.; Walter, T.M.; MacAlister, C.; Degaetano, A.T.; Steenhuis, T.S. and Easton, Z.M. (2013). Using the climate forecast system reanalysis as weather input data for watershed models, Hydrological Processes, DOI: 10.1002/hyp.10073.
Hajarpour, A.; Yousefi, M. and Kamkar, B. (2014). Accuracy assessment of weather assimilators of CLIMGEN, LARS-WG and weather man in assimilation of three different climatic parameters of three different climates (Gorgan, Gonbad and Mashhad), Iranian Journal of Geography and Development, 12(35): 201-216.
Khalili Aghdam, N.; Mosaedi, A.; Soltani, A. and Kamkar, B. (2012). Evaluation of ability of LARS-WG model for simulating some weather parameters in Sanandaj, Water and Soil Conversation, 19(4): 85-102.
Mavromatis, T. and Hansen, J.W. (2001). Interannual variability characteristics and simulated crop response of four stochastic weather generators, Agricultural and Forest Meteorology, 109: 283–296.
Saha, S.; Moorthi, S.; Pan, H.; Behringer, D.; Stokes, D. and Grumbine, R. (2010). The NCEP climate forecast system reanalysis, Bulletin of the American Meteorological Society, 91(8): 1015-1057.
Schuol, J. and Abbaspour, K.C. (2007). Using monthly weather statistics to generate daily data in a SWAT model application to West Africa, Ecological Modeling, 2 0 I: 301-311.
Semenov, M.A. (2008). Simulation of extreme weather events by a stochastic weather generator, Climate Research, 35: 203–212.
Semenov, M.A. and Barrow, E.M. (2002). LARS-WG, A Stochastic weather generator for use in climate impact studies (User Manual).
Semenov, M.A.; Brooks, R.J.; Barrow, E.M. and Richardson, C.W. (1998). Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates,Climate Research, 10: 95–107.
Soltani, A. and Hoogenboom, G. (2003). A statistical comparison of the stochastic weather generators WGEN and SIMMETEO, Climate Research, 24: 215–230. | ||
|
آمار تعداد مشاهده مقاله: 1,742 تعداد دریافت فایل اصل مقاله: 1,221 |
||