تعداد نشریات | 49 |
تعداد شمارهها | 1,777 |
تعداد مقالات | 18,924 |
تعداد مشاهده مقاله | 7,755,359 |
تعداد دریافت فایل اصل مقاله | 5,024,811 |
ارزیابی عملکرد دو مدل LARS-WG و ClimGen در تولید سری های زمانی بارش و درجه حرارت در ایستگاه تحقیقات دیم سیساب، خراسان شمالی | ||
آب و خاک | ||
مقاله 15، دوره 30، شماره 1 - شماره پیاپی 45، اردیبهشت 1395، صفحه 322-333 اصل مقاله (433.78 K) | ||
نوع مقاله: مقالات پژوهشی | ||
شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.45058 | ||
نویسندگان | ||
نجمه خلیلی ![]() ![]() | ||
1دانشگاه فردوسی مشهد | ||
2دانشگاه آزاد اسلامی، واحد مشهد | ||
چکیده | ||
انجام مطالعات مربوط به ارزیابی ریسک و مدیریت ریسک منابع آب و خشکسالی نیازمند دسترسی به سری درازمدت داده های هواشناسی است. این در حالی است که در بسیاری از ایستگاه های هواشناسی داده های برداشت شده از طول دوره آماری کافی برخوردار نیستند. برای رفع این مشکل می توان از مدل های تولید داده (مولد وضع هوا) استفاده کرد. در این تحقیق، از دو مولد پرکاربرد LARS-WG و ClimGen برای تولید 500 سری زمانی داده های روزانه بارش و درجه حرارت حداقل و حداکثر در ایستگاه تحقیقات دیم سیساب واقع در خراسان شمالی استفاده شد. کارآیی مدل ها با استفاده از شاخص های خطای مجذور میانگین مربعات خطا RMSE، میانگین خطای مطلق MAE و ضریب تعیین CD ارزیابی شد. همچنین با استفاده از سه آزمون آماریt – استیودنت، F و2X، شباهت 16 مشخصه آماری بین داده های مشاهده شده و شبیه سازی شده توسط دو مدل LARS-WG مورد بررسی قرار گرفت. نتایج نشان داد که در تولید سری زمانی بارش، مقادیر RMSE و MAE برای مدل LARS-WG کمتر از مدلClimGen بوده و از طرفی مقدار CD در مدل LARS-WG به یک نزدیک تر بوده است. از نظر شبیه سازی درجه حرارت حداقل و حداکثر، نتایج بدست آمده نشان می دهد که مدل ClimGen در مدل سازی میانگین های روزانه و ماهانه درجه حرارت حداقل و حداکثر موفق تر از مدل LARS-WG عمل کرده است. بطوری که در مدل LARS-WG از بین آزمون های آماری انجام شده بر روی میانگین ماهانه درجه حرارت حداقل و حداکثر به ترتیب 2 و 3 آزمون در سطح معنی داری 95% رد شده اند. نتایج همچنین نشان داد که مدل ClimGen در مدل سازی دوره های یخبندان و گرمای شدید موفق تر از مدل LARS-WG بوده است. | ||
کلیدواژهها | ||
شبیه سازی داده های هواشناسی؛ کارآیی مدل؛ مولد وضع هوا | ||
مراجع | ||
1- Ababaei B., Sohrabi T. and Mirzaei F. 2010. Evaluation of a stochastic weather generator in different climates. Computer and Information Science. 3(3): 217-229.
2- Al Janabi F. 2013. Comparison between three stochastic weather generators (GEM6, ClimGen and LARS-WG) for a dry climate region in Babylon Governorate/Iraq. Conference of REGKLAM, Dresden, Germany.
3- Babaeian I., Kwon W. T. and Im E. S. 2004. Application of weather generator technique for climate change assessment over Korea. Korea Meteorological Research Institute, Climate Research lab.
4- Babaeian I. and Najafi Nik Z. 2006. Future climate change projection over North-East of Iran during 2010-2039, 6th Conference of Numerical Wether Prediction, Tehran. 20 Dec. 117-125. (in Persian).
5- Babaeian I., Najafi Nik Z., Zabol Abbasi F., Habibi Nokhandan M., Adab H. and Malbusi SH. 2009. Climate change assessment over Iran using statistical downscaling of ECHO-G outputs during 2010-2039. Geography and development, 7(16): 135-152. (in Persian with English abstract).
6- Bazrafshan J., Khalili A., Hoorfar A., Torabi S. and Hajjam S. Comparison of the performance of climGen and LARS-WG models in simulating the weather factors for diverse climates of Iran. Iran-Water Resources Research, 5(1): 44-57. (in Persian with English abstract).
7- Danuso F.2002. Climak: a stochastic model for weather data generation. Italian Journal ofAgronomy, 6(1): 57-71.
8- Fox D.G. 1981. Judging air quality model performance: a summary of the AMS workshop on dispersion models performance. Bulletin ofAmerican Meteorological Society. 62: 599-609.
9- Geng S., Auburn J.S., Brandstetter E., and Li B. 1988. A program to simulate meteorologicalvariables: documentation for SIMMETEO. Agronomy Progress Rep 204, Department of Agronomy and Range Science, University of California, Davis, CA.
10- Hajarpoor A., Yousefi M., and Kamkar B. 2014. Accuracy assessment of weather assimilators of CLIMGEN, LARS-WG and Weather Man in assimilation of three different climatic parameters of three different climate (Gorgan, Gonbad and Mashhad), Geography and Development. 35: 201-216. (in Persian with English abstract).
11- Hamilton J .D. 1994. Time Series Analysis , Princeton University Press, NJ. pp 799.
12- Http://www.Irimet.Net
13- Jones P.G., and Thornton P.K. 2000. MarkSim: Software to generate daily weather data for Latin America and Africa. Agronomy Journal. 92: 445-453.
14- Johnson G.L., Hanson C. L., Hardegree S. P. and Ballard E. B. 1996. Stochastic weather simulation: overview and analysis of two commonly used models. Journal of AppliedMeteorology. 35: 1878-1896.
15- Loague K., and Green R.E. 1991. Statistical and graphical methods for evaluating solute transport models: overview and application. Journal ofContamination Hydrology. 7: 51-73.
16- McCaskill M.R., 1990. TAMSIM-A program for preparing meteorological records for weather driven models. Trop. Agron. Tech. Memo. No. 65,CSIRO, Division of Tropical Crops and Pastures,Brisbane.
17- McCuen, R.H., (2002), Modeling hydrologic change: statistical methods, Lewis Publishers, Dept. of Civiland Environmental Engineering, University ofMaryland, 433p.
18- Meshkati A. H., Kordjazi m. and Babaeian I. 2011. Evaluation of LARS-WG model in simulation of some observed meteorological parameters in Golestan province (1993-2007). Journal of Geographical Science, 16 (19):81-96. (in Persian with English abstract).
19- Moradi I. and Nosrati K. 2002. Evaluation of stoshastic simulation methods for generating meteorological data. Procceding of 3th International Iran and Russia Conference Agricalture and Natural Resources, Moscow. 246-251.
20- Nicks A. D., Lane L. J. and Gander G. A. 1995. USDA-Water erosion prediction project hillslope profile and watershed model documentation. NSERL Report No. 10. Eds. D. C. Flanagan and M. A. Nearing. W. Lafayette IN: USDA-ARS National Soil Erosion Research Laboratory. 2: 1-2.22.
21- Nosrati K., Zehtabian Gh. R., Moradi E. and Shahbazi A. 2008. Evaluation of stochastic simulation method for generating meteorological data. Geographical Research Quarterly. 39 (62): 1-9. (in Persian with English abstract).
22- Pickering N.B., Hansen J.W., Jones J.W., Wells C.M., Chan V.K. and Godwin D.C. 1994. WeatherMan: A utility for managing and creating daily weather data. Agronomy Journal. 86: 332-337.
23- Racsko P., Szeidl L. and Semenov M. 1991. A serial approach to local stochastic weather models”, Ecological Modelling. 57: 27-41.
24- Richardson, C.W. (1981), “Stochastic simulation of daily precipitation, temperature, and solar radiation”, Water Resources Research, 17, pp. 182-190.
25- Richardson C.W. and Wright D.A. 1984. WGEN: a model for generating daily weather variables,Report, United States Department of Agriculture, Agriculture Research Service, ARS-8. pp83.
26- Semenov M.A., Brooks R.J., Barrow E.M. and Richardson C.W. 1998. Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Climate Research. 10: 95-107.
27- Sharply A.N., and Williams J.R., Eds. 1990. EPIC-Erosion Productivity Impact Calculator, 1. Model documentation, U.S. Department of Agriculture, Agricultural Research Service, Tech. Bull. 1978.
28- Soltani A., and Hoogenboom G. 2003. A statistical comparison of the stochastic weather generators WGEN and SIMMETEO. Climate Research, 24: 215-230.
29- Stöckle C.O., Campbell G.S., and Nelson R. 1999. ClimGen manual, biological systems engineering department, Washington State University, Pullman, WA, pp 28.
30- Tingem M., Rivington M., Azam-Ali S., and Colls J. 2007. Assessment of the ClimGen stochastic weather generator at Cameroon sites. African Journal of Environmental Science and Technology. 1(4): 86-92.
31-Wilby R.L., Dawson C.W., and Barrow E.M. 2002. SDSM – a decision support tool for the assessment of regional climate change impacts. Environmental Modeling and Software, 17: 147-159. | ||
آمار تعداد مشاهده مقاله: 352 تعداد دریافت فایل اصل مقاله: 292 |