کارآیی روش های پس پردازش آماری در بهبود پیش بینی ماهانه بارش مدل mri-cgcm۳ در خراسان رضوی
نویسندگان
چکیده
پیش بینی ماهانه بارش یکی از موضوعات چالشی در حوزه هیدرواقلیم می باشد. از آنجا که استفاده عملیاتی از مدل های عددی پیش بینی ماهانه در کشورمان به اندازه مدل های کوتاه مدت نمی باشد، لذا تاکنون مدل های پیش بینی عددی ماهانه در کشورمان عملیاتی نشده اند؛ دو دلیل مهم این مشکل عدم دسترسی به کد مدل دینامیکی جهانی و عدم وجود داده های شرایط اولیه برای آغازگری آنها می باشند. این وضعیت موجب می شود تا هر ساله به دلیل عدم وجود سامانه پیش بینی فصلی قابل اعتماد، خسارات سنگینی به بخش های منابع آب، کشاورزی و منابع طبیعی کشورمان وارد گردد. به همین دلیل در این تحقیق برونداد مدل پیش بینی فصلی دینامیکی mri-cgcm3 که هم اکنون در سازمان هواشناسی ژاپن برای پیش بینی ماهانه متغیرهای هواشناسی استفاده می شود، به سه روش رگرسیون چندگانه، میانگین متحرک و شبکه عصبی مصنوعی بر روی ایستگاههای سینوپتیک مشهد، سبزوار و تربت حیدریه پس پردازش شدند. بارش پس پردازش شده به روش های یاد شده با برونداد مستقیم مدل (dmo) مقایسه گردیدند. نتایج نشان می دهند که اعمال پس پردازش آماری بر روی برونداد مستقیم مدل موجب بهبود پیش بینی ماهانه بارش بین 6 درصد در روش میانگین متحرک تا 20 درصد در روش رگرسیون چند متغیره می باشد و کارآیی روش رگرسیون چندگانه به مراتب از دو روش میانگین متحرک و شبکه عصبی بهتر است. بر اساس منحنی roc، پیش بینی های در محدوده نرمال تا بیش از نرمال از صحت بیشتری برخوردار می باشند.
منابع مشابه
کارآیی روش های پس پردازش آماری در بهبود پیش بینی ماهانه بارش مدل MRI-CGCM3 در خراسان رضوی
پیش بینی ماهانه بارش یکی از موضوعات چالشی در حوزه هیدرواقلیم می باشد. از آنجا که استفاده عملیاتی از مدل های عددی پیش بینی ماهانه در کشورمان به اندازه مدل های کوتاه مدت نمی باشد، لذا تاکنون مدل های پیش بینی عددی ماهانه در کشورمان عملیاتی نشده اند؛ دو دلیل مهم این مشکل عدم دسترسی به کد مدل دینامیکی جهانی و عدم وجود داده های شرایط اولیه برای آغازگری آنها می باشند. این وضعیت موجب می شود تا هر ساله ...
متن کاملپس پردازش خروجی مدل های پیش بینی عددی بارش پایگاه داده TIGGE با مدل میانگین گیری بیزین (BMA)
بارش یکی از مهم‌ترین پدیده‌های هواشناسی و محرک اصلی در پیش‌بینی جریان رودخانه است. از اینرو تشخیص مقدار بارش در آینده کمک شایانی به مدیریت منابع آب و پیش‌بینی سیلاب می‌کند. در همین راستا برخی از مهم‌ترین مراکز هواشناسی دنیا پیش‌بینی‌های عددی بارش را در مقیاس جهانی در اختیار کاربران قرار دادند. در دسترس بودن مدل‌های پیش‌بینی گروهی جهانی در پایگاه داده TIGGE فرصت‌های جدیدی را برای پیش‌بینی سیلاب ...
متن کاملپیش بینی بارش ماهانه با مدل درختی M5 و مقایسه آن با روشهای کلاسیک آماری )مطالعه موردی : ایستگاه سینوپتیک ارومیه(
در این تحقیق جهت تخمین داده‌های بارش ماهانه ایستگاه ارومیه که از سال 2006 تا 2007 مفقود فرض شده است از روشهای آماری کلاسیک و مدل درختی M5 با استفاده از نرم‌افزارWeka و به کارگیری ایستگاههای مهاباد، خوی، سلماس، تکاب و ماکو استفاده شده است. در بین ایستگاههای مورد مطالعه، ایستگاه مهاباد با (r=0.90) بیشترین همبستگی را با ایستگاه ارومیه داشت. 26 سناریو از آمار ده ساله ایستگاههای مجاور در تخمین ب...
متن کاملپسپردازش برونداد مدل دینامیکی MRI-CGCM3 برای پیش‌بینی فصلی بارش استان خراسان رضوی
مدیریت منابع آبی در کشور به سبب وابستگی بخش عمده‌‌ای از فعالیت‌‌های اقتصادی به مقدار و توزیع زمانی بارش دارای اهمیت بسیار زیادی است و پیش‌بینی فصلی یکی از ابزارهای مهم در مدیریت بهینه منابع آبی محسوب می‌شود. در این تحقیق به‌منظور عرضة پیش‌بینی فصلی بارش استان خراسان رضوی، برونداد متغیرهای متفاوت مدل دینامیکی MRI-CGCM3، در دوره 1981-2007 روی هفت ایستگاه هواشناسی استان خراسان رضوی پس‌پردازش شد...
متن کاملتعیین اثر پیش پردازش داده بر عملکرد شبکۀ عصبی مصنوعی به‌منظور پیش بینی بارش ماهانه در شهرستان آباده
توابع تبدیل صورت میگیرد. در پژوهش حاضر با استفاده از اطلاعات میانگین بارش ماهانه، کمترین و بیشترین دما و رطوبت ایستگاه سینوپتیک شهرستان آباده در بازۀ زمانی 1355 تا 1392 بهصورت نرمالشده و خام بهعنوان ورودیهای شبکۀ پرسپترون چندلایه، بارش ماه آیندۀ شهرستان پیش‌بینی شد. برای نرمالسازی داده‌های هواشناسی، پس از بررسی وجود داشتن یا نداشتن داده‌های گمشده و پرت از سه روش نرمالسازی مینیمم‌ـ ماکز...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
تحقیقات منابع آب ایرانجلد ۱۲، شماره ۲، صفحات ۸۳-۹۲
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023