تحلیل پیش بینی گروهی بارش مدل CFSv۲ با رویکرد مدیریت منابع آب ( مطالعه موردی: حوضه آبریز سد دز)
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 314
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IWRR-15-4_006
تاریخ نمایه سازی: 29 بهمن 1401
چکیده مقاله:
پیشرفت و بهبود پیش بینی های عددی ، موجب توجه بیش از پیش برنامه ریزان و بهره برداران سیستم های منابع آب به این اطلاعات شده است. اغلب ارزیابی ها در زمینه پیش بینی های فصلی ، بر مبنای داده های ایستگاهی زمینی و یا داده های شبکه بندی صورت می گیرد. در این تحقیق در راستای ارزیابی عملکرد پیش بینی مدل CFSv۲ ،تحلیل ها در مقیاس حوضه آبریز انجام شده است و به منظور ایجاد یک سری زمانی با طول دوره مناسب جهت تحلیل ها، از ترکیب داده های مشاهداتی و پایگاه های داده بارش ماهواره مبنا PERSIANN-CDR استفاده گردید.بر اساس معیار ضریب همبستگی و شاخص ROCscore، نتایج بیانگر این است که پیش دید ۱ در بین پیش دیدهای پیش بینی ماهانه بهترین عملکرد را از لحاظ پیش بینی کمی بارش دارد هر چند برآوردهای آن نسبت به بقیه پیش دیدها کم برآوردتر می باشد. در تفکیک پیش بینی ها بر اساس چندک ها با سه طبقه به صورت زیرنرمال، نرمال و فرانرمال، نمایه های ROC-AUC و ROCscore نشاندهنده عملکرد مطلوب پیش بینی ها در چندکهای بارشی زیر ۰/۴ و بالای ۰/۶می باشد و در مقیاس ماهانه، ماه نوامبر با ۰/۸۸، دسامبر ۰/۶۶و ماه مارس ۰/۸، بیشترین نمایه ROC-AUC را به ترتیب در طبقه۱، ۲و ۳ دارند. در بررسی طبقه بارش بر مبنای شاخص SPI نیز نتایج نشان می دهد که صحت پیش بینی صحیح طبقه خشکسالی ۵۰ تا ۶۰ درصد می باشد، در حالیکه با یک طبقه اختلاف در پیش بینی دقت نتایج تا ۸۰ درصد افزایش می یابد.
کلیدواژه ها:
نویسندگان
سید مجید موسوی
دانشجوی دکتری/ مهندسی منابع آب، گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.
علی محمد آخوندعلی
استاد/ گروه هیدرولوژی و منابع آب، دانشکده مهندسی منابع آب، دانشگاه شهید چمران اهواز
علی شهبازی
استادیار / گروه هیدرولوژی و منابع آب، دانشکده مهندسی منابع آب، دانشگاه شهید چمران اهواز.
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 :