تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,124,298 |
تعداد دریافت فایل اصل مقاله | 97,232,792 |
مقایسۀ ریزگردانی تکایستگاهی و چندایستگاهی فرینهای دما و بارش (مطالعۀ موردی: سواحل جنوبی دریای خزر) | ||
فیزیک زمین و فضا | ||
مقاله 10، دوره 44، شماره 2، تیر 1397، صفحه 397-410 اصل مقاله (741.22 K) | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2017.234927.1006908 | ||
نویسنده | ||
روح اله اوجی* | ||
استادیار، گروه جغرافیا، دانشگاه گیلان، رشت، ایران | ||
چکیده | ||
به منظور مقایسۀ ریزگردانی تکایستگاهی و چندایستگاهی فرینهای دما و بارش، عملکرد روشهای تکایستگاهی نگاشت چندکی (SSQ) و ماژول چندایستگاهی بسطیافته (ModExDs)، در شبیهسازی اقلیمی 5 ایستگاه سینوپتیک سواحل جنوبی دریای خزر مورد آزمون قرار گرفت. پیشبینیشوندههای این پژوهش، سری زمانی فرینهای دما و بارش روزانه طی دورۀ آماری (2013-1961) است که 30 سال بهمنظور آموزش و 23 سال جهت اعتبارسنجی مدل، در نظر گرفته شد. از متغیرهای بزرگمقیاس جوی آرشیو دادههای واکاوی (NCEP) نیز بهعنوان پیشبینیکننده استفاده شد. با بهکارگیری 27 شاخص فرین اقلیمی، عملکرد این روشها در حساسیت به ناهنجاریهای بزرگمقیاس جوی و نیز توانمندی آن در بازنمونهبرداری توزیع دادههای مشاهداتی در دورۀ اعتبارسنجی، به ترتیب با استفاده از آزمونهای همبستگی پیرسون و کولموگروف-اسمیرنوف، مورد آزمون قرار گرفت. بهمنظور ارزیابی کلی مدل، از روش ترکیبی استفاده شد. نتایج نشان داد که رویکرد ریزگردانی تکایستگاهی با گذراندن بهترتیب 63، 48 و 6/29 درصد و رویکرد چندایستگاهی نیز با موفقیت در 7/66، 9/48 و 3/33 درصد از آزمونهای کولموگروف-اسمیرنوف و همبستگی پیرسون و نیز آزمون ترکیبی، در ریزگردانی دادههای واکاوی، نتایج نسبتاً قابل قبولی را ارائه دادند. روشهای مورد بررسی، شاخصهای دما را بهتر از شاخصهای بارش، ریزگردانی کردند. در مجموع، عملکرد روش ریزگردانی چندایستگاهی، بهویژه در ریزگردانی شاخصهای دما، بهتر از روش تکایستگاهی بود. در حالت کلی، هر دو روش نتایج بهتری در گرگان و عملکرد ضعیفتری در رشت نشان دادند. | ||
کلیدواژهها | ||
ریزگردانی آماری؛ سواحل جنوبی خزر؛ فرینهای دما و بارش؛ مقایسۀ عملکرد | ||
مراجع | ||
اوجی، ر.، 1392، تحلیل عدم قطعیت روشهای تکایستگاهی و چندایستگاهی در ریزگردانی مقادیر حدی دما و بارش غرب میانی ایران، رساله دکتری، دانشگاه تربیت مدرس. جعفرزاده، ا.، خاشعی، ع. و شهیدی، ع.، 1395، ارزیابی دو روش ریز مقیاس نمایی آماری LARS-WG و SDSM در برآورد تغییرات پارامترهای اقلیمی (مطالعه موردی:دشت بیرجند). مجله پژوهشهای حفاظت آب و خاک، دوره 23، شماره 4، صفحه 309-322. دهقانی پور، ا. ح.، حسنزاده، م. ج.، عطاری، ج. و عراقینژاد، ش.، 1390، ارزیابی توانمندی مدل SDSM در ریز مقیاس نمایی بارش، دما و تبخیر) مطالعه موردی: ایستگاه سینوپتیک تبریز (یازدهمین سمینار سراسری آبیاری و کاهش تبخیر، کرمان، دانشگاه شهید باهنر). رضائی، م.، نهتانی، م.، مقدمنیا، ع.، جانآبکار، ع. و رضائی، م.، 1394، مقایسه روشهای شبکهی عصبی مصنوعی و SDSM در ریزمقیاس کردن اندازهی بارش سالانهی شبیهسازی شده با HadCM3 (مطالعهی موردی: کرمان، راور و رابر)، مجله مهندسی منابع آب، دوره 8، شماره 24، صفحه 25-40. سبحانی، ب.، اصلاحی، م. و بابائیان، ا.، 1394، کارایی الگوهای ریزمقیاس نمایی آماری SDSM و LARS-WG در شبیهسازی متغیرهای هواشناسی در حوضۀ آبریز دریاچۀ ارومیه، پژوهشهای جغرافیای طبیعی، دوره 47، شماره 4، صفحه 499-516. فرجزاده، م.، اوجی، ر.، قویدلرحیمی، ی. و مساحبوانی ع.، 1396، ارزیابی ریزگردانی تکایستگاهی و چندایستگاهی مدل آماری اسدیاسام با استفاده از شاخصهای حدی دما و بارش (مطالعه موردی: غرب میانی ایران)، فیزیک زمین و فضا، دوره 43، شماره 1، 193-208. قرمزچشمه، ب.، رسولی، ع. ا.، رضائیبنفشه، م.، مساحبوانی، ع. ر. و خورشیددوست، ع. م.، 1393، بررسی اثر عوامل مورفو-اقلیمی بر دقت ریزمقیاس گردانی مدل SDSM ، نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز، جلد ششم، شماره 2، 155-164. کوهی، م.، موسوی بایگی، م.، فرید حسینی، ع. ر.، ثنایینژاد، ح. و جباری نوقابی، ه.، 1391، ریزمقیاس نمایی آماری و ارایه سناریوهای آتی رویدادهای حدی بارش درحوضه کشف رود، نشریه پژوهشهای اقلیم شناسی، سال سوم، شماره 12، 35-53.
Bürger, G., 1996, Expanded downscaling for generating local weather scenarios. Clim. Res., 7, 111–128. Bürger, G. and Chen, Y., 2005, Regression-based downscaling of spatial variability for hydrologic applications, J. Hydrol., 311, 299–317, DOI: 10.1016/j.jhydrol.2005.01.025. Bürger, G., Murdock, T. Q., Werner, A. T., Sobie, S. R. and Cannon, A. J., 2012, Downscaling Extremes—An Intercomparison of Multiple Statistical Methods for Present Climate, J. Clim., 25, 4366–4388, DOI: 10.1175/JCLI-D-11-00408.1. Bürger, G., Reusser, D. and Kneis, D., 2009, Early flood warnings from empirical (expanded) downscaling of the full ECMWF Ensemble Prediction System, Water Resour. Res., 45, W10443, DOI: 10. 1029/ 2009 WR 007779. Bürger, G., Sobie, S. R., Cannon, A. J., Werner, A. T. and Murdock, T. Q., 2013, Downscaling Extremes: An Intercomparison of Multiple Methods for Future Climate, J. Clim., 26, 3429–3449, DOI:10.1175/ JCLI-D- 12-00249. 1. Cannon, A. J., 2013, ModExDs, Pacific Climate Impact Consortium. Chen, J., Chen, H. and Guo, S., 2017, Multi-site precipitation downscaling using a stochastic weather generator, Clim Dyn, DOI: 10.1007/ s00382-017-3731-9. Dobler, C., Bürger, G. and Stötter, J., 2012, Assessment of climate change impacts on flood hazard potential in the Alpine Lech watershed, J. Hydrol., 460–461, 29–39, DOI:10.1016/j.jhydrol.2012.06.027. Farajzadeh, M., Oji, R., Cannon, A. J., Ghavidel Y. and Massah Bavani, A., 2015, An evaluation of single-site statistical downscaling techniques in terms of indices of climate extremes for the Midwest of Iran, Theoretical and Applied Climatology 120, 377-390, DOI: 10.1007/s00704-014-1157-4. https://rcmes.jpl.nasa.gov/content/statistical-downscaling#quantile. Haddad, Z. S. and Rosenfeld, D., 1997, Optimality of Z-R Relationships, Q. J. R. Meteorol Soc., 123, 1283-1293. Hamlet, A. F., Salathe, E. P. and Carrasco, P., 2010, Statistical downscaling techniques for global climate model simulations of temperature and precipitation with application to water resources planning studies. http://www.hydro.washington.edu/2860/report. Harpham, C. and Wilby, R. L., 2005, Multi-site downscaling of heavy daily precipitation occurrence and amounts. J. Hydrol 312:235–255. Haylock, M. R., Cawley, G. C., Harpham, C., Wilby, R. L. and Goodess, C. M., 2006, Downscaling heavy precipitation over the UK: a comparison of dynamical and statistical methods and their future scenarios. International Journal of Climatology, 26, 1397-1415. Kalnay, E, Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell, M., Saha, S., White, G., Woollen, J., Zhu, Y., Leetmaa, A., Reynolds, R., Chelliah, M., Ebisuzaki, W., Higgins, W., Janowiak, D., Mo, K. C., Ropelewski, C., Wang, J., Jenne, R. and Joseph, D., 1996, The NCEP/NCAR 40 year Reanalysis project, Bulletin of the American Meteorological Society 77, 437–471. Khalili, M., Brissette, F. and Leconte, R., 2011, Effectiveness of Multi-site Weather Generator for Hydrological Modeling, American Water Resources Association, Journal of the American Water Resources Association, 47(2), 303-314. Khalili, M. and Nguyen, V. T. V., 2016, An efficient statistical approach to multi-site downscaling of daily precipitation series in the context of climate change, Climate Dynamics, DOI: 10.1007/s00382-016-3443-6. Khalili, M., Nguyen, V. T. V. and Gachon, P., 2013, A statistical approach to multi-site multivariate downscaling of daily extreme temperature series, International Journal of Climatology 33(1): 15-32, DOI: 10.1002/ joc. 3402. Kim, K. Y. and Yi, G. S., 2008, Sequential KNN imputation method. R package version 1.0.1. CSBio lab., Information and Communications University, http://csbio.icu.ac.kr. Maraun, D., 2013, Bias Correction, Quantile Mapping, and Downscaling: Revisiting the Inflation Issue, Journal of Climate, DOI: 10.1175/JCLI-D-12-00821.1. Michelangeli, P. A, Vrac, M. and Loukos, H., 2009, Probabilistic downscaling approaches: application to wind cumulative distribution functions. Geophys Res Lett 36:L11708. doi: 10.1029/2009GL038401. Panofsky, H. A. and Brier, G. W., 1958, Some Applica-tions of statistics to meteorology, Philadelphia: the Pennsylvania State University. Sunyer, M. A., Hundecha, Y., Lawrence, D., Madsen, H., Willems, P., Martinkova, M., Vormoor, K., Bürger, G., Hanel, M., Kriaučiūnienė, J., Loukas, A., Osuch, M. and Yücel, I., 2015, Inter-comparison of statistical downscaling methods for projection of extreme precipitation in Europe, Hydrol. Earth Syst. Sci., 19, 1827-1847, DOI: 10.5194/hess-19-1827-2015. Vandal, T., Kodra, E. and Ganguly, A. R., 2017, Intercomparison of Machine Learning Methods for Statistical Downscaling: The Case of Daily and Extreme Precipitation, arXiv:1702.04018. Wang, X. L., 2008, Penalized maximal F-test for detecting undocumented mean-shifts without trend-change. J Atmos Oceanic Tech 25:368–384. DOI: 10.1175/2007/JTECHA982.1. Wang, X. L., Chen, H., Wu, Y., Feng, Y. and Pu, Q., 2010, New techniques for the detection and adjustment of shifts in daily precipitation data series. J App Meteorol Climatol 49:2416–2436. DOI: http:// dx.doi. org/ 10.1175 /2010JAMC2376.1 Wang, X. L. and Feng, Y., 2010, RHtestsV3 user manual. Climate Research Division, Science and Technology Branch, Environment Canada, Toronto, ON, Canada. http://cccma.seos.uvic.ca/ETCCDMI/RHtest/RHtestsV3_UserManual.doc. Wang, X. L., Wen, Q. H. and Wu, Y., 2007, Penalized maximal t test for detecting undocumented mean change in climate data series. J App Meteorol Climatol 46:916–931. DOI: 10.1175/JAM2504.1. Wood, A., Maurer, E., Kumar, A. and Lettenmaier, D. P., 2002, Long-range experimental hydrologic forecasting for the eastern United States. J Geophys Res 107:4429, doi:10.1029/2001JD000659. Zhang, X., Alexander, L., Hegerl, G. C., Jones, P., Klein Tank, A., Peterson, T. C., Trewin, B., Zwiers, F. W., 2011, Indices for monitoring changes in extremes based on daily temperature and precipitation data. WIREs Climate Change 2:851–870. doi:10.1002/wcc.147. | ||
آمار تعداد مشاهده مقاله: 1,466 تعداد دریافت فایل اصل مقاله: 797 |