عنوان پایان‌نامه
ارتقاء عملکرد مدلSDSM برای کاهش بارش با استفاده از مدل وقوع مارکوفی
- رشته تحصیلی
- مهندس عمران- مهندسی محیط زیست
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 2209;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73694;کتابخانه پردیس یک فنی شماره ثبت: 2209;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73694
- تاریخ دفاع
- ۲۸ دی ۱۳۹۴
- دانشجو
- امین مهدی پورورنوسفادرانی
- استاد راهنما
- بنفشه زهرایی
- چکیده
- در دهه‌های اخیر به‌منظور مقیاس‌کاهی متغیرهای جوی از رویکردهای متنوع و متعددی بهره گرفته شده است که در این میان، به روش‌های منطقه‌ای مدل‌سازی عددی، روش‌های رگرسیونی و احتمالاتی می‌توان اشاره نمود. رویکرد اول، به حل معادلات ناویه و روابط کمکی پرداخته و درنهایت به شبیه‌سازی مکانیسم حاکم هواشناسی بر محدوده کوچک مورد بررسی اقلیم اقدام می‌نمایند. روش دوم بر اساس روابط رگرسیونی به مقیاس‌کاهی متغیرهای اقلیمی می‌پردازند. استفاده از این روش در تخمین وضعیت وقوع متغیرهایی همچون بارش، در بسیاری از مواقع خطای قابل‌ملاحظه در شبیه‌سازی نحوه وقوع پدیده جوی به همراه دارد، هرچند در بحث مقدار تخمین مناسبی را ارائه می‌نمایند. در روش سوم با استفاده از روش‌های احتمالاتی همچون زنجیره مارکوف ، به تخمین وقوع پرداخته می‌شود. بر اساس نتایج شبیه‌سازی‌های گذشته، صحت تخمین وقوع در این روش‌ها بهتر از روش‌های دیگر است. در این پژوهش و با توجه به پتانسیل‌هایی که در هر یک از رویکردهای مقیاس‌کاهی احتمالاتی و رگرسیونی موجود است، پیشنهاد توسعه مدل مقیاس‌کاهی بارش بر اساس ترکیب روش‌های احتمالاتی و رگرسیونی مورد بررسی قرار گرفته و به توسعه مدلی به نام SPDSM (Statistical Probabilistic Downscaling Model) مرکب از هسته تخمین وقوع مارکوفی (مرتبه اول تا سوم) و هسته تخمین مقدار رگرسیونی چند متغیره، با توسعه مدل مقیاس‌کاهی آماری موجود SDSM (Statistical Downscaling Model) پرداخته شده است. فرایند انتخاب پیشگوهای جوی با استفاده از روش رگرسیونی مرحله‌ای انجام شده و سپس برای واسنجی مدل از داده‌های NCEP/NCAR استفاده شده است. درنهایت نیز جهت اصلاح نتایج از نوع خاصی از فاکتورهای تغییر با نام فاکتور اصلاح انحراف از معیار، استفاده شده است. نتایج این دو مدل در 12 ایستگاه باران‌سنجی در حوضه‌های با آب‌و‌هوای متنوع در ایران، مورد مقایسه قرار گرفته که نتایج گویای بهبود عملکرد مدل توسعه داده شده در شبیه‌سازی وقوع، انحراف از معیار و چولگی بارش بوده است. همچنین نتایج بیانگر مناسب تر بودن زنجیره مارکوف مرتبه اول نسبت به مرتبه های دوم و سوم، در شبیه‌سازی وقوع بارش در مدل توسعه داده شده بوده است.
- Abstract
- In the last decades, various approaches, such as numerical modeling, regression and probabilistic methods, have been implemented for downscaling of the meteorological variables. The first approach simulates the dominant meteorological mechanism in the local area under study by means of solving governing equation. The second method downscales the meteorological predictors, using regression. Implementing this approach in order to predict the occurrence of discrete variables like precipitation, leads to considerable error in most cases, nevertheless, it can predict acceptable values in terms of quantity. In the third method, occurrence of phenomena is anticipated by means of probabilistic methods like Markov chains. Based on the previous studies, these methods provide more reliable results in comparison to other approaches. In this research, concerning the advantages of the aforementioned downscaling methods (both probabilistic and regression), downscaling has been conducted based on a composition of probabilistic and regression methods, and a model has been developed based on Markov chain, namely SPDSM (Statistical Probabilistic Downscaling Model). SPDSM has been developed based on the platform of the SDSM (Statistical Downscaling Model), which is the most cited statistical downscaling tool. These methods lighten the effect of data partitioning for meteorological predictors in the downscaling procedure. Inputs and output of SPDSM are the same as SDSM. For calibration and validation dataset, NCEP/NCAR databases have been used. According to the inherent linearity of the methods, suitable predictor selection has been done with stepwise regression. The results of the methods have been compared with observed precipitation in twelve rain gauge stations that are scattered in different basins in Iran and represent different climate regimes. Comparison of SDSM and SPDSM indicates that the presented approach could highly improve downscaling efficiency in terms of monthly standard deviation and skewness for both calibration and validation datasets. Among the proposed methods in SPDSM, the results of the case study have shown that for the selected rain gauges. Order one Markov Chain, has shown the best performance in modeling occurrence of precipitation.
