ارزیابی عملکرد روش های انتخاب متغیر در ریزمقیاس نمایی بارش روزانه دو اقلیم متفاوت

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 77

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSW-32-4_014

تاریخ نمایه سازی: 8 آبان 1402

چکیده مقاله:

فرآیند ریزمقیاس نمایی آماری با هدف ارتقای شبیه سازی های مدل های GCMs و کاربست نتایج آن ها در مقیاس محلی انجام می شود. در این بین انتخاب متغیرهای ورودی ریزمقیاس نمایی اولین گام مهم این فرآیند می باشد. از آنجا که هدف اصلی ریزمقیاس نمایی بهبود شبیه سازی مدل های اقلیمی می باشد، بسیاری از مطالعات روش های متنوعی را برای انتخاب متغیرهای ورودی ریزمقیاس نمایی مورد ارزیابی قرار داده اند.این مطالعه درنظر دارد تا با استفاده از آزمون های مقایسه ای جامع، عملکرد شبکه عصبی را در فرآیند ریزمقیاس نمایی بارش روزانه تخت تاثیر چهار روش انتخاب متغیر PCA، CA، SRA و ParCA در اقلیم های متفاوت مورد ارزیابی قرار دهد. بدین منظور در ابتدا داده های مشاهداتی ۳۰ ساله مربوط به ایستگاه های بیرجند (اقلیم خشک- کویری) و اردبیل (اقلیم سرد- نیمه خشک)، حدفاصل سال های ۲۰۰۴-۱۹۷۷ گرداوری شد. به منظور شبیه سازی رفتار مولفه های اقلیمی متاثر از پدیده تغییر اقلیم از خروجی مدل CanESM۲ استفاده شد. بدین ترتیب داده های بزرگ مقیاس مدل CanESM۲ برای هر دو ایستگاه سینوپتیک به منزله متغیرهای ورودی و بارندگی مشاهداتی به عنوان متغیر خروجی درنظر گرفته شد. آزمون های مقایسه ای شامل شاخص های ارزیابی، مقایسه مشخصه های آماری، جدول Contingency Table Event جهت تشخیص سری روزهای تر و خشک و مقایسه نموداری توزیع آماری از جمله ابزارهای مورد استفاده در این مطالعه جهت ارزیابی عملکرد روش های مختلف انتخاب متغیر می باشد. نتایج مطالعه نشان داد که به طور کلی ریزمقیاس نمایی بارش روزانه در تمامی روش های انتخاب متغیر در ایستگاه بیرجند دارای عملکرد بهتری نسبت به ایستگاه اردبیل می باشد. همچنین نتایج آزمون های مختلف نشان داد که روش های انتخاب متغیر CA و ParCA در اقلیم های خشک و روش SRA در اقلیم سرد-نیمه خشک از عملکرد بهتری برخوردار می باشد. بهترین مقادیرشاخص های RMSE، R و NSE برای ایستگاه بیرجند به ترتیب ۲/۱ میلی متر در روز، ۵۵/۰ و ۲۵/۰ و در ایستگاه اردبیل به ترتیب ۷۵/۱ میلی متر در روز، ۱۴/۰ و ۰۱۳/۰ بدست آمد.ارزیابی روش ها در تشخیص درست روزهای تر و خشک در بیرجند نشان داد که دقت روش های CA و ParCA به ترتیب ۲۵ و ۲۲ درصد می باشد. این بدان معنی است که روش CA توانسته است ۲۵ روزهای تر را به درستی تر تشخیص دهد.

کلیدواژه ها:

تحلیل مولفه های اصلی ، دوره های تر و خشک ، کاهش ابعاد ورودی ، همبستگی جزئی و CanESM۲

نویسندگان

جواد رمضانی مقدم

دانشگاه محقق اردبیلی

مصطفی یعقوب زاده

دانشگاه بیرجند

احمد جعفرزاده

دانشگاه بیرجند

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 :
  • Bengio Y. and LeCun Y., ۲۰۰۷. Scaling learning algorithms towards ...
  • Camici S., Palazzi E., Pier, A., Brocca L., Moramarco T., ...
  • Chanda K., and Maity R. ۲۰۱۸. Global Climate Pattern Behind ...
  • Chen H., CY X., and Guo S.L. ۲۰۱۲. Comparison and ...
  • Chen J., Brissette F.P., and LeconteR. ۲۰۱۱. Uncertainty of downscaling ...
  • Devak M., Dhanya C.T., and Gosain A.K. ۲۰۱۵. Dynamic coupling ...
  • Draper N.R., Smith H., and Pownell E. ۱۹۶۶. Applied regression ...
  • Fisher R.A. ۱۹۵۸. Statistical Methods for Research Workers, ۱۳th Ed., ...
  • Fistikoglu O., and Okkan U. ۲۰۱۱. Statistical Downscaling of Monthly ...
  • Gaitan C. F., Hsieh W. W., and Cannon A. J. ...
  • Hammami D., Lee T.S., Ouarda T.B. M.J., and Le J. ...
  • Harpham C., and Wilby R.L. ۲۰۰۵. Multi-site downscaling of heavy ...
  • Hassan Z., Shamsudin S., and Harun S. ۲۰۱۴. Application of ...
  • Hessami M., Gachon P., Ouarda T., and St-Hilaire A. ۲۰۰۸. ...
  • Huth R. ۱۹۹۹. Statistical downscaling in central Europe: evaluation of ...
  • Kaviani M., and MirRokni S.M. ۲۰۱۴. Application of principal component ...
  • Khan M.S., Coulibaly P., and Dibike Y. ۲۰۰۶. Uncertainty analysis ...
  • Khashei-Suiki A., Shahidi A., Pourreza-Bilondi M., Amirabdizadeh M., and Jafarzadeh ...
  • McCulloch W.S., and Pitts W. ۱۹۴۳. A logical calculus of ...
  • Meenu R., Rehana S., and Mujumdar P.P. ۲۰۱۳. Assessment of ...
  • Najafi M.R., Moradkhani H., and Wherry S.A. ۲۰۱۱. Statistical Downscaling ...
  • Nasseri M., and Zahraie B. ۲۰۱۳. Performance Assessment of Different ...
  • PervezM.S., HenebryG.M. ۲۰۱۴. Projections of the Ganges–Brahmaputra precipitation downscaled from ...
  • Raje D., Mujumdar P.P. ۲۰۱۱. A comparison of three methods ...
  • Rumelhart D.E., Hinton G.E., and Williams R.J. ۱۹۸۶. Learning representations ...
  • Salathe E.P., Mote P.W., and Wiley M.W. ۲۰۰۷. Review of ...
  • Semenov M. ۲۰۰۲. LARS-WG A Stochastic Weather Generator for Use ...
  • Vousoughi۱ F., Dinpashoh Y., and Aalami M. ۲۰۱۰. Effect of ...
  • Wilby R.L., Dawson C.W., and Barrow E.M. ۲۰۰۲. SDSM—a decision ...
  • Wilks D.S., ۱۹۹۵. Statisistical Methods in the Atmospheric Sciences. Academic ...
  • Yang C. ۲۰۱۶. Performance comparison of three predictor selection methods ...
  • نمایش کامل مراجع