شبیه سازی تصادفی بارش روزانه با استفاده از مدل‌های خطی تعمیم یافته در اقلیم نیمه خشک

Authors

  • بیژن قهرمان استاد گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد، ایران
  • حنانه باروتی دانشجوی دکترای گروه علوم ومهندسی آب دانشگاه فردوسی مشهد، ایران
  • کاظم اسماعیلی دانشیار، گروه علوم ومهندسی آب ، دانشگاه فردوسی مشهد، ایران
Abstract:

تغییرپذیری بالای بارش، پراکندگی شبکه باران­سنجی فعال و نیز کیفیت پایین مقادیر بارش ثبت شده، کاربرد مدل­های تصادفی زمانی- مکانی بارش در مناطق خشک و نیمه خشک را همواره با چالش روبه­رو کرده است. در این پژوهش، از مدل خطی تعمیم یافته به­منظور تکمیل و توسعه­ی سری زمانی داده­های ثبت شده­ی بارش روزانه­ی 11 ایستگاه سینوپتیک نسبتاً پراکنده ­در زیرحوضه­ی رود شور با وسعت 67/22066 کیلومتر مربع (که یکی از زیر حوضه­های دریاچه نمک می­باشد) در دوره آماری 1991 تا 2010 میلادی استفاده شد، تا بتواند برای مدل­های هیدرولوژیکی بکار رود. جهت بیان ساختار زمانی- مکانی بارش از مدل توزیع لجستیک برای رخداد بارش و از توزیع گاما برای مدل کردن مقدار بارش استفاده گردید. صحت سنجی زمانی و مکانی در  یک دوره زمانی مجزا و نیز استفاده از ایستگاه­هایی که در برازش مدل وارد  نشده بودند، انجام  آنگاه  تغییر پذیری زمانی- مکانی بارش آزموده شد. اثرات فصلی  بر تغییرات زمانی- مکانی بارش ، همبستگی بارش روزانه و نیز طول، عرض جفرافیایی و ارتفاع ایستگاه­های باران­سنجی شناسایی شدند که از آن مدل توانست به­خوبی ویژگی­های بارش را در منطقه مطالعاتی نشان دهد. در هر دو مدل رخداد و مقادیر، اثرات مکانی از مهمترین پیش­بینی کننده­های بارش و بعد از آن در بین اثرات زمانی، میانگین بارش در یک روز قبل مهمترین متغیر پیش­بینی کننده بارش در حوضه شناخته شده است. به ­علاوه محرک­های بارندگی در مقیاس بزرگ (دما و رطوبت نسبی) تا حدودی باعث بیان بهتر تغییرات در هرسال شده و نیز ارتباط بین متغیرهای بزرگ مقیاس و بارش،  زمینه­ی ریزمقیاس نمایی خروجی­های مدل­های جهانی اقلیم را فراهم می­نماید. در واقع مدل­های تصادفی با رویکرد توسعه­ی مجموعه داده­های مشاهداتی در ایستگاه­های باران­سنجی و ریزمقیاس نمایی سناریوهای اقلیمی در مقیاس منطقه­ای و جهانی پایه­گذاری شده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شناساپذیری در مدل های خطی تعمیم یافته با اثرهای تصادفی

شناساپذیری یکی از ویژگی‌های لازم برای کفایت یک مدل آماری است. وقتی مدلی شناساپذیر نباشد، با هیچ اندازه‌ای از نمونه، نمی‌توان پارامتر حقیقی مدل را تعیین کرد. در این مقاله، مروری بر مفهوم مشهور شناساپذیری و ویژگی‌های آن شده است. به‌علاوه از آن‌جایی که مشکل شناساناپذیری در مدل‌های خطی تعمیم‌یافته‌ با اثرهای تصادفی بسیار رایج است، تمرکز اصلی ما بر روی این گونه از مدل‌ها بوده است. از سوی دیگر، معمول...

full text

شناساپذیری در مدل های خطی تعمیم یافته با اثرهای تصادفی

شناساپذیری یکی از ویژگی های لازم برای کفایت یک مدل آماری است. وقتی مدلی شناساپذیر نباشد، با هیچ اندازه ای از نمونه، نمی توان پارامتر حقیقی مدل را تعیین کرد. در این مقاله، مروری بر مفهوم مشهور شناساپذیری و ویژگی های آن شده است. به علاوه از آن جایی که مشکل شناساناپذیری در مدل های خطی تعمیم یافته با اثرهای تصادفی بسیار رایج است، تمرکز اصلی ما بر روی این گونه از مدل ها بوده است. از سوی دیگر، معمولاً...

full text

اثرات تصادفی چوله گاوسی در مدلهای خطی تعمیم یافته فضایی

مدل های آمیخته خطی تعمیم یافته فضایی برای مدل بندی پاسخ های فضایی گسسته به کار می روند، که در آنها ساختار همبستگی فضایی داده ها از طریق متغیرهای پنهان با توزیع نرمال در نظر گرفته می شود. هر چند فرض نرمال بودن توزیع متغیرهای پنهان موجب سهولت محاسبات می شود، اما در عمل به دلیل غیرقابل مشاهده بودن متغیرهای پنهان، بررسی نرمال بودن این متغیرها مقدور نیست و پذیرش ناصحیح این فرض می تواند روی دقت برآور...

15 صفحه اول

تهیه نقشه حساسیت سیل با استفاده از دو مدل یادگیری ماشین جنگل تصادفی و مدل خطی تعمیم یافته بیزین

امروزه پدیده­ی سیل یکی از پیچیده­ترین رخدادهای مخاطره­آمیز است که بیش از سایر بلایای طبیعی دیگر، همه‌ساله در نقاط مختلف دنیا منجر به ایجاد خسارت­های جانی و مالی و تخریب اراضی کشاورزی می­شود؛ بنابراین تهیه نقشه حساسیت به وقوع سیلاب نخستین گام در برنامه مدیریت سیلاب است. هدف از این پژوهش شناسایی مناطق حساس به سیل با استفاده از دو مدل یادگیری ماشین جنگل تصادفی (RF) و خطی تعمیم‌یافته بیزین (GLMbaye...

full text

اسپلاین در مدلهای خطی تعمیم یافته

تجزیه و تحلیل رگرسیون روشی برای تعیین بین متغیر پاسخ و متغیرهای مستقل می باشد. برای مواردی که ارتباط بین متغیرها خطی نیست ، مدلهای رگرسیون غیرخطی مورد استفاده قرار می گیرد. عمدتا در این روشها برای نیل به یک پاسخ منحصر به فرد، فرض های محدودکننده ای در نظر گرفته می شود. برای تقلیل اینگونه فرض ها نظریه مدلهای خطی تعمیم یافته نیز بطور قابل ملاحظه ای بسط و گسترش یافته اند. در بسیاری از مواقع نوع ارت...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 1398  issue 37

pages  1- 20

publication date 2020-01-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023