مقایسه SDSM و LARS-WG از نظر شبیه سازی و ریزمقیاس نمایی
چکیده
پروژه های اقلیمی آینده با مدلهای اقلیم جهانی تحت عنوان GCMs، تحت سناریوهای انتشار مختلف، معمولاً در ریزمقیاس نمایی داده ها، برای کاهش بیشتر اثرات تغییراقلیم و استراتژیهای انطباقی، بکار میروند. درهر حال، این GCM ها یا مدلهای اقلیم جهانی توانایی شبیه سازی موقعیتهای اقلیمی محلی و پیچیده مثل فرایند بارش را ندارند. علاوه براین خروجی های ایجاد شده از مدل GCM ناهمگون تر از آن هستند که در مدلهای ارزیابی اثر هیدرولوژیکی مفید واقع شوند زیرا این مدل ها نیاز به اطلاعاتی در مقیاس بسیار کوچکتر دارند. بنابراین ریزمقیاس نمایی خروجیهای GCM معمولاً برای ایجاد اطلاعات ریز-تفکیک که برای مدلهای اثر تغییراقلیم لازم میباشند بکار میروند. در این مقاله از بین تکنیک های ریزمقیاس نمایی براساس قواعد آماری، تکنیک رگرسیون چندگانه و مولد هواشناسی بدلیل اینکه از نظر محاسباتی از دیگر تکنیکها راحت تر هستند، انتخاب میشوند. در این مقاله عملکرد یک مدل رگرسیونی چندگانه (که SDSM نامیده میشود) و یک مولد هواشناسی (که LARS-WG نامیده میشود) براساس قابلیتشان در شبیه سازی نوسانات بارش کرانه ای اقلیمی و ریزمقیاس نمایی رویدادهای کرانه ای آینده ارزیابی میگردند. میانگین محلی داده های بارش روزانه حوضه آبخیز Clutha، در جزیره جنوبی منطقه نیوزیلند، بصورت داده های مبنا برای مطالعه و آنالیز استفاده میشوند. بررسی نوسان بارش از طریق توزیع اتصال مقدار کرانه ای تعمیم یافته (GEV) به مقدار واقعی، SDSM شبیه سازی شده / ریزمقیاس شده و LARS-WG شبیه سازی شده / ریزمقیاس شده سریهای ماکزیمم سالانه (AM) انجام میشود. محاسبات در 5 دوره بازگشت انجام میشوند: دوره های 10، 20، 40، 50 و 100 ساله. نتایج بدست آمده در این مقاله نشان میدهند که هردو مدل ، توانایی مشابه و خوبی برای شبیه سازی رویدادهای بارشی دارند و بنابراین میتوانند بطور قطع با مطالعه اثرات تغییراقلیم این ناحیه سازگاری حاصل کنند.
مقدمه
روند افزایش دمای زمین و تغییر شرایط آب و هوایی وابسته به آن، در روی کره زمین با عنوان تغییر اقلیم شناخته میشود. در اثر نبودن روشهای کاهشی مناسب اثرات تغییر اقلیم و اندازه گیریهای سازگار، تغییر اقلیم احتمالاً به بخشهای بزرگی از جهان اثر میگذلرد، مثل بخش کشاورزی، منابع آبی، گردشگری و غیره. مدلهای اقلیم جهانی (GCM) که در حال حاضر بنظر میرسد منبع قابل اعتمادی در تهیه اطلاعات تغییر اقلیم باشند، تفکیکهای سه بعدی بسیار ناهنجاری در مدلهای اثر هیدرولوژیکی ایجاد می کنند. برای آموزش هیدرولوژیستهایی با اطلاعات مناسب براساس متغیرهای جوی با یک تفکیک بسیار جزئی سه بعدی (درحدود چند کیلومتر) یا ایستگاه هواشناسی، معمولاً مدل ریزمقیاس نمایی بکار میرود. تکنیکهای ریز مقیاس نمایی موجود، دو دسته بزرگ را تشکیل میدهند: تکنیکهای آماری و تکنیکهای دینامیکی. جزئیات بسیاری درمورد تئوریهای موجود پشت این دو نوع تکنیک وجود دارد مثل بحث درمورد مزایا و مضرات آنها که در مطالعات انجام شده توسط Hewiston ، Crane، Xu ، Wilby و همکارانش و Fowler و همکارانش میتوان به آنها دسترسی پیدا کرد. از بین تکنیکهای ریزمقیاس نمایی آماری استفاده شده توسط هیدرولوژیستها برای بدست آوردن اطلاعات اقلیمی از ایستگاههای هواشناسی، مدلهای رگرسیونی چندگانه و مولدهای هواشناسی تصادفی از دیگر مدلها کاربرد بیشتری دارند بطوریکه از لحاظ محاسباتی نیز ساده تر بوده، کاربرد آسانتری داشته و کارامدتر هستند. روشهای ریزمقیاس نمایی رگرسیونی شامل توسعه نسبتهای تجربی بین داده های GCM بزرگ-مقیاس یا داده های واقعی بعنوان متغیرهای پیش بینی کننده و متغیرهای اقلیمی کوچک-مقیاس بعنوان متغیرهای پیش بینی شونده (مثل دما، بارش) با استفاده از روشهای رگرسیونی خطی و غیرخطی سنتی (مثل روشی که Heyen و همکارانش در 1996 و Wilby و همارانش در 2002 ارائه کردند) میگردند. چند مثال از روشهای ریزمقیاس نمایی رگرسیونی سنتی مانند رگرسیون خطی، آنالیز همبستگی قراردادی (CCA) و آنالیز جزئ اصلی (PCA) (که در سال 2005 توسط Dibike و Goulibaly مطرح گردید) میباشند.
Abstract
Future climate projections of Global Climate Models (GCMs) under different emission scenarios are usually used for developing climate change mitigation and adaptation strategies. However, the existing GCMs have only limited ability to simulate the complex and local climate features, such as precipitation. Furthermore, the outputs provided by GCMs are too coarse to be useful in hydrologic impact assessment models, as these models require information at much finer scales. Therefore, downscaling of GCM outputs is usually employed to provide fine-resolution information required for impact models. Among the downscaling techniques based on statistical principles, multiple regression and weather generator are considered to be more popular, as they are computationally less demanding than the other downscaling techniques. In the present study, the performances of a multiple regression model (called SDSM) and a weather generator (called LARS-WG) are evaluated in terms of their ability to simulate the frequency of extreme precipitation events of current climate and downscaling of future extreme events. Areal average daily precipitation data of the Clutha watershed located in South Island, New Zealand, are used as baseline data in the analysis. Precipitation frequency analysis is performed by fitting the Generalized Extreme Value (GEV) distribution to the observed, the SDSM simulated/downscaled, and the LARS-WG simulated/ downscaled annual maximum (AM) series. The computations are performed for five return periods: 10-, 20-, 40-, 50- and 100-year. The present results illustrate that both models have similar and good ability to simulate the extreme precipitation events and, thus, can be adopted with confidence for climate change impact studies of this nature.
1 Introduction
A rising trend of the Earth’s temperature and changes in the associated weather conditions across the globe are referred to as climate change. In the absence of suitable mitigation and adaptation measures, climate change is likely to affect major sectors of the world, such as agriculture, water resources, and tourism. Global Climate Models (GCMs), which are presently considered to be the most reliable source providing the climate change information, have spatial resolutions too coarse for hydrologic impact models. To provide hydrologists with the desired information in terms of hydrometeorologic variables at a very fine spatial resolution (in the order of a few kilometers) or stationscale, downscaling is usually employed. The existing downscaling techniques have two broad classes: statistical and dynamical. Extensive details about the theories behind these classes as well as their advantages and disadvantages can be found in Hewitson and Crane (1996), Xu (1999), Wilby et al. (2004), and Fowler et al. (2007), among others. Among the statistical downscaling techniques used by hydrologists to obtain station-scale climatic information, multiple regression models and stochastic weather generators have far more applications than the others (e.g. Wilks 1992, 1999), as they are computationally less demanding, simple to apply, and efficient (Semenov et al. 1998; Dibike and Coulibaly 2005; Kilsby et al. 2007; Kim et al. 2007). Regression-based downscaling methods involve developing empirical relationships between large-scale GCM data or observed data as ‘‘predictor’’ variables and local- or small-scale climate variables as ‘‘predictand’’ variables (e.g. temperature, precipitation) using traditional linear and nonlinear regression methods (e.g. Heyen et al. 1996; Wilby et al. 2002). Examples of traditional regressionbased downscaling methods include linear regression, canonical correlation analysis (CCA), and principal component analysis (PCA) (Dibike and Coulibaly 2005).
چکیده
1. مقدمه
2. مطالعه آبخیز مورد نظر و منبع جمع آوری داده ها
3. متدولوژی
3.1. کاربرد مدل ریزمقیاس نمایی آماری
3.2. کاربرد مولد هواشناسی ایستگاه تحقیقاتی (Long Ashton (LARS – WG
3.3. آنالیز نوسانات بارش
4. نتایج و بحث
5. نتیجه گیری
Abstract
1 Introduction
2 Study watershed and data sources
3 Methodology
3.1 Application of statistical downscaling model
3.2 Application of Long Ashton Research Station Weather Generator (LARS-WG)
3.3 Precipitation frequency analysis
4 Results and discussion
5 Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه