توسعه یک چارچوب ریزمقیاس‌سازی به‌منظور برآورد تبخیر- تعرق مرجع زیرروزانه: 1- مقایسه عملکرد برخی مدل‌های ریزمقیاس‌سازی داده‌های هواشناسی روزانه

آب و خاک

مقاله 14، دوره 30، شماره 2 - شماره پیاپی 46، تیر 1395، صفحه 334-354   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i2.30628

نویسندگان

فرزین پرچمی عراقی¹؛ سیدمجید میرلطیفی^{* 1}؛ شجاع قربانی دشتکی²؛ مجید وظیفه‌دوست³؛ عدنان صادقی لاری⁴

¹دانشگاه تربیت مدرس

²دانشگاه شهرکرد

³دانشگاه گیلان

⁴دانشگاه هرمزگان

چکیده

بهمنظور تبیین هرچه واقعبینانهتر فرآیندهای حاکم بر بیلان آب و انرژی و نیز فرآیندهای کیفیت آب و بیولوژیکی گیاه، نیاز به اطلاعات هواشناسی در مقیاس‌های زمانی کوچکتر از آنچه که در اغلب مناطق در دسترس است، می‌باشد. در پژوهش حاضر، چارچوبی فیزیکی‌بنیان به‌منظور ریزمقیاس‌سازی داده‌های هواشناسی روزانه مورد نیاز در برآورد تبخیر- تعرق مرجع زیرروزانه توسعه یافت. در این چارچوب، داده‌های هواشناسی روزانه گم شده با بهکارگیری یک الگوریتم مبتنی بر جستجو- بهینهسازی برآورد می‌شوند. همین‌طور، با استفاده از گونه یکپارچه‌سازی شده الگوریتم بهینه‌سازی رفتار جمعی اجزا (UPSO)، مدل‌های مختلف ریزمقیاس‌سازی داده‌های هواشناسی واسنجی می‌گردد. تشعشع خورشیدی روزانه و زیرروزانه از طریق روش عمومی و فیزیکی‌بنیان یانگ و همکاران برآورد می‌شود. به‌منظور ارزیابی عملکرد چارچوب فوق، از داده‌های بلندمدت سه ساعته و روزانه ایستگاه سینوپتیک آبادان (59 سال) و اهواز (50 سال) استفاده شد. نتایج نشان داد در مقایسه با مدل‌های WAVE I، WAVE II، WCALC، ERBS و ESRA، مدل TM با ضریب کارآیی مدل (EF) 9775/0 تا 9924/0 دارای بهترین عملکرد در ریزمقیاس‌سازی دمای هوای روزانه بود. همچنین، آن دسته از مدل‌های ریزمقیاس‌سازی دمای هوای روزانه که در آن‌ها زمان وقوع دمای حداقل و حداکثر به‌عنوان توابعی از زمان طلوع و غروب خورشید بیان می‌شود در مقایسه با مدل‌هایی که یک زمان قراردادی ثابت را برای رخدادهای یاد شده در نظر می‌گیرند از عملکرد بهتری در تبیین تغییرات زمانی دمای هوای زیرروزانه برخوردار بودند. مدل HUM III (که بر اساس ریزمقیاس‌سازی کسینوسی فشار بخار واقعی می‌باشد) با آماره EF در دامنه 7266/0 تا 8896/0 دارای بهترین عملکرد در ریزمقیاس‌سازی دمای نقطه شبنم، فشار بخار واقعی و رطوبت نسبی بود. مقادیر زیرروزانه سرعت باد با آماره EF در دامنه 3357/0 تا 6300/0 برآورد گردید. نتایج حاکی از انطباق بالای مقادیر مجموع 24 ساعته تشعشع خورشیدی زیرروزانه با مقادیر نظیر روزانه (EF بین 9729/0 تا 9801/0) بود. همچنین، برای مناطقی که مقادیر زیرروزانه اندازهگیری شده اطلاعات هواشناسی موجود نیست، استفاده از مدل‌های WAVE II و HUM II (که بر اساس ریزمقیاس‌سازی خطی رطوبت نسبی می‌باشد) قابل توصیه است. نتایج حاکی از لزوم واسنجی مدل گرین و کوزک برای ریزمقیاس‌سازی سرعت باد در مناطق مختلف بود.

کلیدواژه‌ها

بهینه‌سازی رفتار جمعی اجزای یکپارچه؛ تبخیر- تعرق؛ تشعشع خورشیدی زیرروزانه؛ روش فیزیکی‌بنیان

مراجع

1- Allen R.G., Walter I.A., Elliott R.L., Howell T.A., Itenfisu D., Jensen M.E., and Snyder R.L. 2005. The ASCE standardized reference evapotranspiration equation. American Society of Civil Engineers, Reston, Virginia, p 192.

2- Ångström A. 1924. Solar and terrestrial radiation. Quarterly Journal of the Royal Meteorological Society, 50: 121– 125.

3- Baigorria G.A., and Bowen W.T. 2001. A process-based model for spatial interpolation of extreme temperatures and solar radiation. p. 1–9. In: Methodologies for Interdisciplinary Multiple Scale Perspectives. Proceedings of the SAAD III Third International Symposium on Systems Approaches for Agricultural Development, Lima, Peru.

4- Bechini L., Ducco G., Donatelli M., and Stein A. 2000. Modelling, interpolation and stochastic simulation in space and time of global solar radiation. Agriculture, Ecosystems and Environment, 81: 29– 42.

5- Bilbao J., Miguel A., and Kambezidis H.D. 2002. Air temperature model evaluation in the north Mediterranean Belt area. Journal of Applied Meteorology, 41:872–884.

6- Bristow K.L., and Campbell G.S. 1984. On the relationship between incoming solar radiation and daily maximum and minimum temperature. Agricultural and Forest Meteorology, 31: 159– 166.

7- Cesaraccio C., Spano D., Duce P., and Snyder R.L. 2001. An improved model for determining degree-day values from daily temperature data. International Journal of Biometeorology, 45: 161–169.

8- de Wit C.T. 1978 Simulation of assimilation, respiration and transpiration of crops. Wageningen, Pudoc, p 148.

9- de Wit C.T., Goudriaan J., and van Laar H.H. 1978. Simulation of Simulation, Respiration and Transpiration of Crops. Pudoc. Wageningen, The Netherlands, 148 pp.

10- Debele B., Srinivasan R., and Parlange J.Y. 2007. Accuracy evaluation of weather data generation and disaggregation methods at finer timescales. Advances in Water Resources, 30:1286–1300.

11- Ehnberg J.S.G., and Bollen M.H.J. 2005. Simulation of global solar radiation based on cloud observations. Solar Energy, 78: 157– 162.

12- Erbs D.G. 1984. Models and applications for weather statistics related to building heating and cooling loads. Ph.D. thesis, Mechanical Engineering Department, University of Wisconsin-Madison, Wisconsin, Madison, 336 pp.

13- ESRA. 2000. European solar radiation atlas (ESRA). In: Scharmer K, Greif J (eds) Database and exploitation software, vol. 2. Commission of the European Communities, Ecole des Mines de Paris, France.

14- Gauch H.G., Hwang J.T.G., and Fick G.W. 2003. Model evaluation by comparison of model-based predictions and measured values. Agronomy Journal, 95: 1442–1446.

15- Green H.M., and Kozek A.S. 2003. Modelling Weather Data by Approximate Regression Quantiles. Australian and New Zealand Industrial and Applied Mathematics Journal (E), 44: C229-C248.

16- Gutierrez-Magness A.L., and McCuen R.H. 2004. Accuracy evaluation of rainfall disaggregation methods. Journal of Hydrologic Engineering, 9(2):71–78.

17- Hua L.J., Ma Z.G., and Guo W.D. 2008. The impact of urbanization on air temperature across China. Theoretical and Applied Climatology, 93: 179–194.

18- LADSS. 2004. Climate data ‘‘cleaning’’ process. Available at http://www.macaulay.ac.uk /LADSS/documents/data_cleaning_process. pdf (visited 5 September 2013).

19- Medellu C.S., Marsoedi S., and Berhimpon S. 2012. The Influence of Opening on the Gradient and Air Temperature Edge Effects in Mangrove Forests. International Journal of Basic and Applied Sciences IJBAS-IJENS, 12(2): 53-57.

20- Meteotest. 2003. Meteonorm version 5.0. The global meteorological data base for engineers, planners and education. Software and data on CD-ROM. James and James, London.

21- Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., Harnel R.D., and Veith T.L. 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transaction of the ASAE, 50: 885-900.

22- Nash J.E., and Sutcliffe J.V. 1970. River Flow Forecasting Through ConceptualModels- Part I- A Discussion of Principles. journal of Hydrology, 10 (3):282-290.

23- Parchami-Araghi F., Mirlatifi S.M., Ghorbani Dashtaki Sh., and Mahdian M.H. 2013. Point estimation of soil water infiltration process using Artificial Neural Networks for some calcareous soils. Journal of Hydrology, 481: 35–47.

24- Parsopoulos K.E., and Vrahatis M.N. 2004. UPSO: a unified particle swarm optimization scheme. In Simos, T., and Maroulis G. (Eds.), Lecture Series on Computer and Computational Sciences (Vol. 1, pp. 868-873). Zeist, The Netherlands: VSP International Science Publishers.

25- Parton W.J., and Logan J.A. 1981. A model for diurnal variation in soil and air temperature. Agricultural and Forest Meteorology, 23:205-216.

26- Podesta G.P., Nunez L., Villanueva C. A., and Skansi M. A. 2004. Estimating daily solar radiation in the Argentine Pampas. Agricultural and Forest Meteorology, 123: 41– 53.

27- Pomeroy J.W., Toth B., Granger R.J., Hedstrom N.R., and Essery R.L.H. 2003. Variation in surface energetics during snowmelt in a subarctic mountain catchment. Journal of Hydrometeorology, 4: 702– 719.

28- Prescott J.A. 1940. Evaporation from water surface in relation to solar radiation, Transactions of the Royal Society of South Australia, 64: 114– 125.

29- Reicosky D.C., Winkelman L.J., Baker J.M., and Baker D.G. 1989. Accuracy of hourly air temperatures calculated from daily minima and maxima. Agricultural and Forest Meteorology, 46: 193-209.

30- Revfeim K.J.A. 1997. On the relationship between radiation and mean daily sunshine. Agricultural and Forest Meteorology, 86: 181–191.

31- Safeeq M., and Fares A. 2011. Accuracy evaluation of ClimGen weather generator and daily to hourly disaggregation methods in tropical conditions. Theoretical and Applied Climatology, 106: 321–341.

32- Tang W.J., Yang K., Qin J., Cheng C.C.K., and He J. 2011. Solar radiation trend across China in recent decades: a revisit with quality-controlled data. Atmospheric Chemistry and Physics, 11: 393–406.

33- Teh C.B.S. 2006. Introduction to mathematical modeling of crop growth: How the equations are derived and assembled into a computer program. Boca Raton: Brown Walker Press, 256p.

34- United Nations Educational, Scientific and Cultural Organization (UNESCO). (1979). Map of the world distribution of arid regions: Map at scale 1:25,000,000 with explanatory note. MAB Technical Notes 7, UNESCO, Paris.

35- Waichler S.R., and Wigmosta M.S. 2003. Development of hourly meteorological values from daily data and significance to hydrological modeling at H. J. Andrews Experimental Forest. Journal of Hydrometeorology., 4:251–263.

36- Wilkerson G.G., Jones J.W., Boote K.J., Ingram K.T., and Mishoe J.W. 1983. Modeling soybean growth for crop management. Transactions of ASAE, 26: 63-73.

37- Yang K., He J., Tang W.J., Qin J., and Cheng C.C.K. 2011. On downward shortwave and longwave radiations over high altitude regions: Observation and modeling in the Tibetan Plateau. Agricultural and Forest Meteorology 150: 38–46.

38- Yang K., Koike T., and Ye B. 2006. Improving estimation of hourly, daily, and monthly solar radiation by importing global data sets. Agricultural and Forest Meteorology, 137: 43-55.