عنوان پایان‌نامه
توسعه روشهای آماری و داده کاوی در ریز مقیاس نمودن متغیرهای جوی
- رشته تحصیلی
- مهندسی عمران - مهندسی آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1635;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52679
- تاریخ دفاع
- ۲۴ اردیبهشت ۱۳۹۱
- دانشجو
- حسن توکل دوانی
- استاد راهنما
- بنفشه زهرایی
- چکیده
- در دهه‌های اخیر پدیده تغییر اقلیم اثرات نامطلوب قابل توجهی را بر سیستم¬های منابع آب در سرتاسر جهان گذاشته است. برای پیش بینی این اثرات در سال‌های آتی و در نظر گرفتن آنها در فرآیند برنامه¬ریزی منابع آب نیاز است تا نتایج مدل¬های گردش عمومی در محدوده مکانی حوضه، کاهش مقیاس داده شوند که یکی از متداول¬ترین رویکردها در این زمینه، استفاده از مدل آماری SDSM است. در این تحقیق پس از ارائه ساختار حاکم بر مدل SDSM، به توسعه این مدل با استفاده از مدل¬های رگرسیونی خطی چند متغیره و چند ضابطه‌ای بنام مدل درختی و مدل MARS که روش¬هایی مبتنی بر داده¬کاوی هستند، پرداخته شده است و در نهایت مدل DMDM ارائه شده است. سپس به تحلیل عدم قطعیت موجود در خروجی مدل SDSM با استفاده از روش GLUE پرداخته شده است. 12 ایستگاه باران¬سنجی در کشور که در حوضه¬هایی با اقلیم¬های گوناگون قرار دارند به عنوان مطالعه موردی انتخاب شده¬اند. نتایج استفاده از مدل¬های SDSM و DMDM برای این مناطق گویای برتری مدل DMDM در قیاس با SDSM است. این برتری در شبیه¬سازی مقادیر حدی و انحراف از معیار و چولگی بارش مشهود است. همچنین تحلیل عدم قطعیت در خروجی¬های این مدل¬ها نشان می¬دهد که نتایج SDSM دارای عدم قطعیت بیشتری نسبت به DMDM است.
- Abstract
- In this research, a new statistical downscaling model, namely DMDM (Data-Mining Downscaling Model) has been developed based on the platform of the most cited methodologies implemented in two packages namely SDSM (MLRDM) and ASD. Multiple Linear Regression (MLR), Ridge Regression, Multivariate Adaptive Regression Splines (MARS) and Model Tree (MT) constitute the mathematical core of DMDM. DMDM uses linear basis functions in MARS and linear regression rules in MT to keep the linear structure of SDSM and therefore all of the SDSM assumptions are also valid in DMDM. These methods lighten the effect of data partitioning for meteorological predictors in the downscaling procedure. Inputs and output of the presented approaches are the same as SDSM and ASD. 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 as a pre-processing stage. 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 DMDM 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 DMDM, the results of the case study have shown that for the selected rain gauges, MT has shown better performances both in modeling occurrence and amount of precipitation. It has also less number of parameters during dry seasons in which the number of historical precipitation events might not be enough for calibrating SDSM model in many arid and semi-arid regions. Moreover, in this research, GLUE approach was adopted for uncertainty analysis in outputs of SDSM. Results of this study emerges relative weaknesses in SDSM in some months.
