مقایسه ی عملکرد مدل های LARS و RegCM4 در شبیه سازی و پس پردازش داده های سالانه دما و بارش خراسان بزرگ
- سال انتشار: 1395
- محل انتشار: فصلنامه اطلاعات جغرافیایی ( سپهر)، دوره: 25، شماره: 98
- کد COI اختصاصی: JR_SEPEHR-25-98_011
- زبان مقاله: فارسی
- تعداد مشاهده: 531
نویسندگان
استادیار اقلیم شناسی دانشگاه شهید بهشتی
دانشیار اقلیم شناسی دانشگاه شهید بهشتی
دانشجوی دکتری اقلیم شناسی دانشگاه شهید بهشتی
دانشیار هواشناسی پژوهشکده هواشناسی، تهران
چکیده
این تحقیق به منظور شبیه سازی بارش و دما با مدل دینامیکی RegCM4 و LARS در دو حالت با و بدون به کارگیری تکنیک پس پردازش اماری برونداد مستقیم مدل در شمال شرق ایران (خراسان بزرگ) و دوره آماری 2011-1987 در مقطع زمانی سالانه انجام شده است. بر اساس نتایج حاصله، در مدل LARS در منطقه مورد مطالعه، در دوره راستی ازمایی 2013-2007 میانگین اریبی بارش سالانه خام مدل برابر 53/63 میلیمتر و پس پردازش شده 11/25- می باشد. بطور خلاصه در مقیاس زمانی سالانه در 84 درصد ایستگاه های مطالعاتی انجام پس پردازش موثر واقع شده و میزان خطای اریبی را در بیشتر ایستگاه ها، بشدت کاسته است. بر اساس نتایج حاصله از مدل RegCM4، در دوره راستی ازمایی 2011-2006 میانگین اریبی بارش سالانه خام مدل RegCM4 برابر85/3 میلیمتر و پس پردازش شده 61/04 محاسبه شده است. لذا مقادیر خطا در بیشتر ایستگاه ها قبل و بعد از پردازش بسیار بالا و نتایج مدل قابل قبول نیست. بطور خلاصه در مقیاس زمانی سالانه در 75 درصد ایستگاه های مطالعاتی انجام پس پردازش موثر واقع شده است. بنابراین قدر مطلق خطای اریبی پس پردازش متوسط بارش سالانه مدل LARS برابر با 13/6 و مدل RegCM4 برابر با 61 می باشد. میانگین اریبی دمای سالانه خام مدل LARS برابر 0/096 درجه سانتیگراد و پس پردازش شده 0/432- است. این در عمل بزرگتر از اریبی بدون پس پردازش شده است، لذا عمل پس پردازش در تمامی ایستگاه ها موثر واقع نشده و فقط در 46 درصد ایستگاه ها خوب تعریف می شود. شبیه سازی داده های دمای دومتری در ایستگاه های هواشناسی با استفاده از مدل RegCM4 و نیز اعمال MA کارایی بالایی را نشان داد. میانگین اریبی دمای سالانه خام مدل ReGCM4 برابر 2/78- درجه سانتیگراد بود که پس از اعمال پس پردازش به 0/05- کاهش یافت. در تمامی ایستگاه ها دمای سالانه مدل شده با داده های مشاهداتی کمتر از 0/1 درجه سانتیگراد اختلاف دارد. بنابراین در شبیه سازی داده اهی بارش سالانه مدل LARS تا حتی بهتر از مدل RegCM4 جوابگو می باشد. و در شبیه سازی داده های دمای سالانه مدل دینامیکی RegCM4 واقعیت خیلی بهتری از منطقه نسبت به مدل آماری LARS، از خود نشان می دهد.کلیدواژه ها
خراسان بزرگ، پس پردازش، مدل دینامیکی RegCM4، مدل آماری LARSمقالات مرتبط جدید
- حکمرانی دریایی ایران به عنوان یک سیستم پیچیده: تحلیل جغرافیای سیاسی با رویکرد هوش مصنوعی و هوش مکانی
- تبیین سناریوهای آینده تقسیمات استان تهران
- آسیبشناسی حمل و نقل و مدیریت ترافیک در شهرداری های نوظهور ایران
- معایب و مشکلات برنامهریزی و سیاست گذاری حوزه فرهنگ شهری در ایران
- سیاست گذاری بهینه در حوزه ترافیک شهری با استفاده از تکنولوژی های هوش مصنوعی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.