ارزیابی دقت مدل های CMIP۶ بر اساس شاخص آماری KGE برای شبیه سازی بارش در حوضه آبریز دریاچه ارومیه

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 12

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HYDPHY-10-2_003

تاریخ نمایه سازی: 11 آبان 1404

چکیده مقاله:

این مطالعه با هدف ارزیابی دقت مدل های منتخب در ۵ ایستگاه هواشناسی همدیدی بر اساس شاخص آماری KGE برای شبیه سازی بارش در حوضه آبریز دریاچه ارومیه (ایران) در سه دهه گذشته انجام گرفته است. از داده های ۴ مدل AOGCM (MPI-ESM۱-۲-HR، INM-CM۵-۰ ،BCC-CSM۲-MR و EC-EARTH۳-CC) از مجموعه مدل های سری CMIP۶ استفاده شد. دوره تاریخی ۱۹۸۵-۲۰۱۴ در نظر گرفته شد. برونداد خام مدل ها توسط نرم افزار CMHyd مقیاس کاهی شد. برای انتخاب روش مناسب ریزمقیاس از میان ۲ روش Linear Scaling و Distribution mapping نمودار تیلور ترسیم شد. کارایی مدل ها در هر ایستگاه با KGE ارزیابی شدند. محاسبات نشان داد که برترین مدل برای شبیه سازی بارش در همه ایستگاه های منتخب در حوضه آبریز دریاچه ارومیه مدل MPI و ضعیف ترین مدل، مدل BCC است. بیشترین و کم ترین تصحیح توسط شاخص آماری کلینگ گوپتا، به ترتیب در ایستگاه های مراغه مهاباد بود. بیشینه و کمینه مقدار شاخص KGE به ترتیب در ایستگاه های تبریز و مراغه به دست آمد. نتایج نشان داد که برونداد خام مدل ها دارای خطای زیادی بوده و نمی توان به طور مستقیم از آن ها استفاده کرد. نتایج نشان داد که روش مقیاس کاهی Linear Scaling قابلیت مناسبی در بهینه کردن برونداد مدل های GCM در منطقه مورد مطالعه دارد. با توجه به مقدار سنجه KGE برای مدل MPI که در هر ۵ ایستگاه بعد از مقیاس کاهی بیشتر از ۰۳/۰ است، توانایی این مدل برای ارزیابی بارش در حوضه آبریز دریاچه ارومیه آشکار شد.

کلیدواژه ها:

شبیه سازی ، بارش ، نمودار تیلور ، حوضه آبریز دریاچه ارومیه ، CMIP۶ ، CMHYD ، KGE

نویسندگان

علی شاهی

دانشجوی دکترای آب و هواشناسی، ، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

برومند صلاحی

استاد آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، 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 :
  • Versini P A, Pouget L, McEnnis S, Custodio E, Escaler ...
  • Almazroui M, Saeed F, Saeed S, Islam M N, Ismail ...
  • Knoben W J, Freer J E, and Woods R A. ...
  • نمایش کامل مراجع