
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,649,633 |
تعداد دریافت فایل اصل مقاله | 8,255,811 |
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 | ||
مقاله 19، دوره 23، شماره 4، مهر 1395، صفحه 309-322 اصل مقاله (431.1 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2016.10385.2482 | ||
نویسندگان | ||
احمد جعفرزاده* 1؛ عباس خاشعی2؛ علی شهیدی3 | ||
1دانشگاه بیرجند، دانشکده کشاورزی، گروه مهندسی آب | ||
2استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند | ||
3دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند | ||
چکیده | ||
سابقه و هدف: در حال حاضر معتبرترین ابزار جهت تولید سناریوهای اقلیمی، مدلهای سه بعدی جفت شده جوی-اقیانوسی گردش عمومی هوا میباشند که به طور مخفف از آن به عنوان AOGCM یاد میشود. یکی از مشکلات عمده در استفاده از خروجی مدلهای AOGCM، بزرگ بودن مقیاس مکانی سلول محاسباتی آنها، نسبت به منطقه مورد مطالعه است و باید نتایج خروجی این مدلها کوچک مقیاس شوند. روشهای آماری متعددی جهت ریزمقیاس نمودن خروجیهای مدلهایAOGCM برای دستیابی به دقت بیشتر توسعه یافتهاند. تفاوت دقت روشهای ریزمقیاس نمایی متناسب با مکان و نوع مدل اقلیمی میتواند باعث اختلاف در نتایج شبیهسازی گردد. لذا بررسی دقت این روشها از اهمیت بالایی برخوردار است. پژوهشگران زیادی در سرتاسر دنیا به بررسی دقت روشهای گوناگون در ریزمقیاسنمایی پرداختهاند. نتایج پژوهشگران در سرتاسر دنیا بیانگر این مطلب میباشد که بر اساس نوع خروجی مدلهایAOGCM و همچنین کمیت و کیفیت دادههای مشاهداتی منطقه مورد مطالعه شبیهسازی مؤلفههای اقلیمی متفاوت خواهد بود. هدف از این پژوهش بررسی دقت روشهای ریزمقیاس نمایی آماری LARS-WG و SDSM برای بارندگی و متوسط درجه حرارت روزانه و برای ایستگاه سینوپتیک بیرجند میباشد. مواد و روشها: آمار مشاهداتی دوره 2000-1960 از سازمان هواشناسی استان استخراج شد. دوره 1990-1960 برای واسنجی و دوره 2000-1991 برای دوره صحتسنجی انتخاب شدند. سری شاخصهای حدی اقلیمی در دوره صحتسنجی برای آمار مشاهداتی ایستگاه سینوپتیک و شبیهسازی شده توسط دو روش ریزمقیاسنمایی محاسبه شد. به منظور ارزیابی دقت دو روش در محاسبه شاخصها، از آزمونهای آماری استفاده شد. بدین ترتیب که حساسیت روشها به ناهنجاریهای بزرگ مقیاس (همبستگی دادهها) و توانایی روشهای ریزمقیاسنمایی برای برگرداندن توزیع دادههای مشاهداتی به ترتیب با آزمونهای همبستگی پیرسون و رتبه نشاندار ویلکاکسون مورد ارزیابی قرار گرفت. یافتهها: پس از بررسی نتایج مشخص شد که برتری قابل توجهی در آزمون همبستگی پیرسون بین دو روش وجود ندارد. هرچند که در دو روش نتایج برازش بیش از 50% شاخصهای مشاهداتی و شبیهسازی شده قابل قبول است. نتایج عملکرد دو مدل در آزمون ویلکاکسون نشان داد که تفکر مبدلهای اقلیمی به طور قابل ملاحظهای بالاتر از روشهای رگرسیون خطی می-باشد. نتایج این آزمون نشان داد که در روش LARS-WG بیش از 90% شاخصها برازش خوبی را دارا میباشند. همچنین برازش شاخصهای دما در روش SDSM-DC در مقایسه با روش LARS-WG بسیار نامطلوب بود. نتیجهگیری: نتایج مطالعه نشان داد که به طور کلی روش LARS-WG در مقایسه با روش SDSM-DC دقت بهتری دارد. این برتری به خصوص در در پیشبینی تابع توزیع همسان با دادههای مشاهداتی محسوستر بود. | ||
کلیدواژهها | ||
رتبه نشان دار ویلکاکسون؛ شاخصهای حدی اقلیمی؛ همبستگی پیرسون؛ HADCM3 | ||
مراجع | ||
1.Aghashhi, M., Ardastani, M., Niksokhan, M., and Tahmasbi, B. 2010. intrudoction and compare models for small scale SDSM LARS-WG and environmental parameters in studies of climate change. In 6th national conferance of Tehran-Iran. (Translated In Persian) 2.Bavani, M., Moradi, S., and Mohammadzadeh, M. 2009. comparison downscalind methods and AOGCM on assessment of regional climate change. Physic of earth and atmosphere, 3.Bavani, M., Morid, S., and Mohammadzadeh, M. 2013. comparsion of downscaling methods LARS-WG & ASD in forecast rain and temprature in defferent climate. irrigation and drainage. 2: 8. 233-245. (Translated In Persian) 4.Bronaugh, D. 2011. Pcic for the Pacific Climate Impacts Consortium climdex.pcic: PCIC implementationof CLIMDEX routines. Rpackage version 0.4-1. 5.Camici, S., Palazzi, E., Pieri, A., Brocca, L., Moramarco, T., and Provenzale, A. 2015. Comparison between dynamical and stochastic downscaling methods in central Italy. 6.Dehghanipoor, A., Hasanzadeh, M., Attari, J., and Araghinejad, S. 2010. Assessing the strength of the downscaling model SDSM rainfall, temperature and evaporation. In 11th conference irrigation and evaporation. Kerman-Iran. (Translated In Persian) 7.Déqué, M., Rowell, D., Lüthi, D., Giorgi, F., Christensen, J., Rockel, B., Jacob, D., Kjellström, E., De Castro, M., and van den Hurk, B. 2007. An intercomparison of regional climate simulations for Europe: assessing uncertainties in model projections. Climatic Change, 81: 53-70. 8.Dibike, Y., and Coulibaly, P. 2005. Hydrologic impact of climate change in the 9.Duan, K., and Mei, Y. 2014. A comparison study of three statistical downscaling methods and their model-averaging ensemble for precipitation downscaling in China. Theoretical and Applied Climatology, 116: 707-719. 10.Farajzadeh, M., Oji, R., Cannon, A., Ghavidel, Y., and Bavani, A.M. 2014. An evaluation of single-site statistical downscaling techniques in terms of indices of climate extremes for the Midwest of Iran. Theoretical and Applied Climatology, Pp: 1-14. 11.Graca Lopes, P. 2008. Assessment of Climate Change Statistical Downscaling Methodes. Universidade Nova De Lisboa Faculdade de Ciências e Tecnologia, Pp: 1-51. 12.Hashmi, M.Z., Shamseldin, A.Y., and Melville, B.W. 2011. Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed. Stochastic Environmental Research and Risk Assessment, 25: 475-484. 13.Hassan, H., Aramaki, T., Hanaki, K., Matsu, T., and Wilby, R.L. 1998. LakeStratification and temperature profiles simulated using downscaled GCM output. J. Water Sci. Technol. 38: 217-226. 14.Hassan, Z., Shamsudin, S., and Harun, S. 2014. Application of SDSM and LARS-WG 15.Hay, L., Wilby, R., and Leavesley, G. 2000. A comparison of delta change and downscaled GCM scenarios for three mountainous basins in the United States. American Water Resources Association, 36: 387-397. 16.Hidalgo, H.G., Dettinger, M.D., and Cayan, D.R. 2008. Downscaling with constructed analogues: Daily precipitation and temperature fields over the United States. 17.Jafarzadeh, A., Khozeymehnejad, H., Khashei, A., and Bazi, J. 2012. Zoning impact 18.Karl, T.R., Knight, R.W., Easterling, D.R., and Quayle, R.G. 1996. Indices of climate change for the United States. Bulletin of the American Meteorological Society, 77: 279-292. 19.Kazmi, D.H., Rasul, G., Li, J., and Cheema, S.B. 2014. Comparative Study for ECHAM5 and SDSM in Downscaling Temperature for a Geo-Climatically Diversified Region, Pakistan. Applied Mathematics. 5: 137-143. 20.Khan, M.S., Coulibaly, P., and Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. J. Hydrol. 319: 357-382. 21.Kidson, J.W., and Thompson, C.S. 1998. A comparison of statistical and model-based downscaling techniques for estimating local climate variations. J. Clim. 11: 735-753. 22.Kilsby, C., Jones, P., Burton, A., and Ford, A. 2007. Fowler H.J et al., A daily weather generator for use in climate change studies. Environmental Modelling & Software, 23.Nury, A.H., and Alam, M.J.B. 2014. Performance Study of Global Circulation Model HADCM3 Using SDSM for Temperature and Rainfall in North-Eastern Bangladesh. J. Sci. Res. 6: 1. 87-96. 24.Richardson, C. 1981. Stochastic simulation of daily precipitation, temperature, and solar radiation. Water resources research, 17p. 25.Richardson, C., and Wright, D. 1984. WGEN: A model for generating daily weather variables. In WGEN: A model for generating daily weather variables. US Department of Agriculture, Agricultural. 26.Robera, N., Hardenberg, J.V., and Provenzale, A. 2006. Rainfall downscaling and 27.Rohi, F., Mirrokni, M., Massah Bovani, U., and Nasresfahani, L. 2012. Check downscaling model SDSM ability to choose the best predictor variables. In 15th conferance liquide dynamic. Bandarabbas-Iran. (Translated In Persian) 28.Rohi, F., Mirrokni, M., Massah Bovani, U., and Nasresfahani, L. 2016. Performance Assessment of SDSM model in downscaling rainfull and precipitaion In hot and dry climates (Case study: hamdidy of Yazd and Tabas station). Iran. J. Geophysic. 9: 4. 104-125. 29.Salehnia, N., Alizadeh, A., and Sayari, N. 2013. Comparsion of downscaling methods LARS-WG & ASD in forecast rain and temprature in defferent climate. irrigation and drainage, 2: 233-245. (Translated In Persian) 30.Semenov, M. 1997. Use of A Stochastic Weather Generator in the Development of Climate Change Scenarios Climatic Change. Kluwer Academic Publishers. Printed in the, 35: 397-414. 31.Semenov, M. 2002. LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies. In Version 3, ed. R. Research. 32.Semenov, M. 2010. LARS-WG 5: Quick Start, LARSWG 5: a stochastic weather generator for climate change impact assessments. In Centre for Mathematical and Computational Biology Rothamsted Research. Harpenden, Herts. 33.Semenov, M., and Barrow, E. 1997. Use of A Stochastic Weather Generator in the Development of Climate Change Scenarios Climatic Change. Kluwer Academic Publishers. Printed in the Netherlands, 35: 397-414. 34.Semonov, M., Brooks, R., Barrow, E., and Richardson, C. 1998. Comparison of the WGEN and LARS-WG stochastic weather generators in divers climates. Climate Research, 10p. 35.Shahidi, A., Masoudi, M., and Jafarzardeh, A. 2012. Performance assessment of integrated urban wastewater of Birjand. In national conferences of water and wastewater engineering. Kerman-Iran. (Translated In Persian) 36.Sunyer Pinya, M.A., Hundecha, Y., Lawrence, D., Madsen, H., Willems, P., Martinkova, M., Vormoor, K., Bürger, G., Hanel, M., and Kriaučiuniene, J. 2015. Inter-comparison of statistical downscaling methods for projection of extreme precipitation in Europe. Hydrology and Earth System Sciences, 19: 1827-1847. 37.Wilby, R., Dawson, C., and Barrow, E. 2002. SDSM-a decision support tool for 38.Wilby, R., Hay, L., and Leavesley, G. 1999. A comparison of downscaled and raw GCM output: implications for climate change scenarios in the San JuanRiver basin, Colorado. 39.Wilby, R., Tomlinson, O., and Dawson, C. 2003. Multi-site simulation of precipitation by conditional resampling. Climate Research, 23: 183-194. 40.Wilby, R., and Wigley, T. 2000. Precipitation predictors for downscaling: observed and general circulation model relationships. Inter. J. Climatol. 20: 641-661. 41.Wilby, R.L., Wigley, T., Conway, D., Jones, P., Hewitson, B., Main, J., and Wilks, D. 1998. Statistical downscaling of general circulation model output: a comparison of methods. Water resources research, 34: 2995-3008. 42.Wilby, R.L., Hassan, H., Hanaki. 1997. Statistical downscaling of hydrometeorological variables using general circulation model output, J. Hydrol. 205: 1-19. 43.Wilks, D. 1992. Adapting stochastic weather generation algorithms for climate change studies. Climate Change, 22: 67-84. 44.Zorita, E., and Von Storch, H. 1999. The analog method as a simple statistical downscaling technique: comparison with more complicated methods. J. Clim. 12: 2474-2489. | ||
آمار تعداد مشاهده مقاله: 2,224 تعداد دریافت فایل اصل مقاله: 2,109 |