ارزیابی کارایی روش های پس پردازش و اصلاح اریبی بر پیش بینی های ماهانه بارش و دما در حوضه کارون

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 154

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IWRR-16-4_007

تاریخ نمایه سازی: 29 بهمن 1401

چکیده مقاله:

پیش بینی مناسب بارش و دما با افق یک ماهه می تواند فرصتی استثنایی برای برنامه ریزی منابع آب و مقابله با سیل و خشکسالی در اختیار مدیران قرار دهد. اعمال روش های پس پردازش و اصلاح اریبی مناسب می تواند کارایی پیش بینی های عددی هواشناسی را تا حد قابل قبولی ارتقا بخشد. در این تحقیق ضمن ارزیابی پیش بینی های خام بارش و دمایS۲S مرکز ECMWF در یکی از حوضه های آبریز مهم کشور، روش های متنوعی برای پس پردازش و اصلاح اریبی این پیش بینی ها مورد استفاده قرار گرفت و نتایج با معیارهای ارزیابی مختلف مقایسه گردید. تکنیک های نگاشت چندک(QM)، میانگین گیری مدل بیزین(BMA)، رگرسیون بردار پشتیبان(SVR)، رابطه تجربی اصلاح اریبی دما و روش های ترکیبی بر روی پیش بینی ها اعمال شد که از بین آن ها روش BMA هم در بهبود پیش بینی های دما و هم بارش اندکی موثرتر از سایر روش ها عمل نمود. در حالت خام، پیش بینی های بارش و دما تنها در ۲ یا ۳ ماه سال قابل استفاده ارزیابی شدند ولی اعمال روش های پس پردازش توانست دقت پیش بینی های بارش را در نیمی از ماه ها، به ویژه ماه های پرباران تا حد قابل قبولی ارتقا دهد و اعمال روش ترکیبی معادله تجربی-میانگین مدل بیزین در ۱۰ ماه از سال با پیش بینی هایی بهتر از تخمین دمای ماه آتی با استفاده از آمار بلندمدت همراه بود.

کلیدواژه ها:

پس پردازش پیش بینی های هواشناسی ، اصلاح اریبی ، میانگین گیری مدل بیزین ، نگاشت چندک ، رگرسیون بردار پشتیبان

نویسندگان

رویا کلاچیان

گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

بهرام ثقفیان

گروه عمران آب، دانشکده عمران معماری و هنر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

صابر معظمی

استادیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد اسلامشهر، اسلامشهر، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ajaaj A, Mishra AK, Khan AA (۲۰۱۵) Comparison of bias ...
  • Gunn S (۱۹۹۸) Support vector machines for classification and regression. ...
  • Shah R, Sahai AK, and Mishra V (۲۰۱۷) Short to ...
  • Wang QJ, Schepen A, Robertson DE (۲۰۱۲) Merging seasonal rainfall ...
  • نمایش کامل مراجع