بررسی عدم قطعیت مدل شبکه عصبی در ریز مقیاس گردانی ‏hadcm3‎‏ با روش ‏فاصله اطمینان بوت استراپ

Authors

باقر قرمزچشمه

علی اکبر رسولی

مجید رضائی بنفشه

علیرضا مساح بوانی

علی محمد خورشیددوست

abstract

در روش های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می شود، دوره آتی آن متغیر اقلیمی شبیه سازی می شود. از آن جایی که در شبیه سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی شود، لذا برآورد به وجود آمده همراه با خطا و یا عدم قطعیت می باشد. خروجی مدل های ریزمقیاس گردانی به عنوان ورودی در مدل های منابع آب و کشاورزی وارد شده و در صورتی که این ورودی ها دارای خطا باشند، خروجی مدل های ذکر شده نیز با عدم قطعیت بیشتری مواجه خواهد شد. شناخت مقدار خطا و یا عدم قطعیت هر مدل در قضاوت و اطمینان به نتایج به دست آمده ضروری است. در این تحقیق سعی شده است، عدم قطعیت ریزمقیاس گردانی مدل های gcm با شبکه عصبی در ایستگاه های شمال غرب کشور بررسی شود. بدین منظور، مدل شبکه عصبی اجراء و برای هر یک از ماه های سال، دمای کمینه، بیشینه و بارش با داده های ncep واسنجی و ارزیابی شد. سپس، با داده های hadcm3 در دوره حاضر مدل ایجاد شده، مقادیر فوق شبیه سازی شد. داده های روزانه مشاهده ای هر ماه در دوره (2001-1961) تهیه و در هر ایستگاه و هر ماه با روش بوت استرپ فاصله اطمینان 99 درصد استخراج شد. سپس متوسط ماهانه دوره هر یک از متغیرهای اقلیمی برآورد شده به وسیله شبکه عصبی محاسبه شد. برای این منظور از دو معیار میانگین و واریانس داده ها استفاده شد. در هر ماه هرگاه میانگین یا واریانس برآورد شده در محدوده اطمیان قرار گیرد، برآورد به دست آمده دارای اطمینان است. برای مقایسه نتایج از تعداد ایستگاه-ماه استفاده شد. نتایج نشان داد که میانگین دمای بیشینه در 14 ایستگاه-ماه در محدوده اطمینان واقع شدند. تحلیل ماهانه آن نیز نشان داد، دقت شبکه عصبی در تابستان کم بوده و عدم قطعیت بالاتری نسبت به فصول دیگر دارد. در شبیه سازی دمای کمینه بر اساس این معیار 18 ایستگاه-ماه در محدوده اطمینان واقع شد. دقت شبکه عصبی در تابستان برای برآورد دمای کمینه کم و دارای عدم قطعیت در اغلب ایستگاه ها بود. به طوری که در ماه های ژوئن و آگوست در هیچ یک از ایستگاه ها برآورد به دست آمده در محدوده اطمینان قرار نگرفت. محدوده اطمینان بارش به دلیل ماهیت تغییرات زیاد آن نسبت به دما بسیار بالا بوده و تا بیش از 50 درصد بارش متوسط ماه نیز در برخی ایستگاه ها رسید. باتوجه به دامنه اطمینان بالای بارش، در 53 مورد ایستگاه-ماه در محدوده اطمینان قرار گرفتند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

بررسی عدم قطعیت مدل شبکه عصبی در ریز‌مقیاس گردانی ‏HadCM3‎‏ با روش ‏فاصله اطمینان بوت استراپ

در روش‌های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده‌های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می‌شود، دوره آتی آن متغیر اقلیمی شبیه‌سازی می‌شود. از آن‌جایی که در شبیه‌سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی‌شود، لذا برآورد به‌وجود آمده همراه با خطا و یا عدم قطعیت می‌باشد. خروجی مدل‌های ریزمقیاس گردانی به‌عنوان ورودی در مدل...

full text

بررسی اثر عوامل مرفو-اقلیمی بر دقت ریز مقیاس گردانی مدل LARS-WG

مدلهای گردش عمومی جو بر اساس سناریوهای انتشار گازهای گلخانه‌ای اقلیم آینده کره زمین را پیش بینی می‌کنند. ولی دقت مکانی این مدل‌ها بسیار کم بوده و نتایج آنها به منظور بررسی اثرات تغییراقلیم در علوم مختلف کاربرد ندارد. لذا ریزمقیاس گردانی داده‌های مدل گردش عمومی جو ضرورت پیدا می‌کند. مدل‌های ریز مقیاس گردانی آماری در علوم مختلف بسیار کاربرد داشته و تحقیقات بسیار زیادی در این خصوص صورت گرفته ...

full text

بررسی عدم قطعیت شبیه‌سازی بارش آینده (مطالعه موردی: ایستگاه همدیدی بجنورد و مشهد)

علیرغم پیشرفت علم و در نتیجه دقیق‌تر شدن مدل‌های اقلیمی در پروژه‌های تغییر اقلیم، منابع مختلفی از عدم قطعیت وجود دارد که ناشی از فعالیت‌های انسانی و واکنش متقابل سیستم اقلیمی در مقیاس‌های بزرگ مکانی و زمانی است. لذا، به‌منظور کاربرد موفقیت‌آمیز شبیه‌سازی‌ پارامترهای هواشناسی در تحقیقات کاربردی منابع آب، تحلیل عدم قطعیت ضروری است. هدف این تحقیق، بررسی عدم قطعیت شبیه‌سازی‌ سری‌زمانی بارش در افق آ...

full text

تحلیل عدم قطعیت مدل های شبکه عصبی و نروفازی در پیش بینی جریان رودخانه

پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می‌گردند، همواره با مشکلاتی همراه بوده است. یکی از روش‌هایی که می‌تواند این مشکل را تا حدی کاهش دهد، تحلیل‌ عدم قطعیت پیش‌بینی‌های انجام شده می‌باشد. این تحلیل‌ها در مدل‌های آماری سابقه طولانی دارند، ولی برای مدل‌های شبکه عصبی و نروفازی کمتر مورد استفاده قرا...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی و مدیریت آبخیز

Publisher: پژوهشکده حفاظت خاک و آبخیزداری

ISSN 2251-9300

volume 7

issue 3 2015

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023