تشخیص و تحلیل داده های پرت زمانی- مکانی مربوط به پارامترهای سرعت باد و فشار ایستگاه های هواشناسی کشور به منظور مطالعات تغییرات آب و هوایی

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 238

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_CCR-2-7_003

تاریخ نمایه سازی: 4 دی 1400

Abstract:

تشخیص و تحلیل داده­های پرت یکی از گام­های ابتدایی مهم در تحلیل داده­هاست. یک داده پرت در سری­های هواشناسی می­تواند نشان دهنده­ی یک رخداد فرین باشد یا خطای ناشی از اندازه­ گیری، مشاهده و ثبت است. اگر داده­ها­ی پرتی که حاصل خطای انسانی یا نقص تجهیزات اندازه­گیری هستند شناسایی نشده و حذف نگردند، به عنوان داده­ی فرین ثبت خواهند شد و موجب اریبی در نتایج مطالعات اقلیمی می­شوند. در این مقاله، داده­های پرت سری­های زمانی سرعت باد و فشار برای ۱۴۳ ایستگاه هواشناسی کشور در دوره نرمال اقلیمی ۱۹۹۱- ۲۰۲۰ مورد تحلیل قرار گرفت. برای این منظور ابتدا داده­های پرت مکانی با استفاده از الگوریتم کلایماتول مشخص شد و در مرحله دوم با تحلیل­های زمانی و هواشناختی، خطاها شناسایی شدند. در مرحله اول برای پارامترهای فشار ایستگاه، فشار تبدیل شده ایستگاه به سطح دریا، فشار بخار، سرعت باد و سرعت باد ماکزیمم به ترتیب ۴۰، ۴۲، ۹۳، ۵۲ و ۴۱ داده پرت شناسایی شد و در مرحله دوم به ترتیب ۲۰، ۱۰، ۵۶، ۲۰ و ۲۷ تعداد از این­ داده­ها خطا تشخیص داده شدند. این نتایج به تفکیک ایستگاه و تاریخ گزارش شده­اند، تا مورد استفاده محققان در سایر مطالعات، بویژه مطالعات تغییراقلیم، قرار بگیرند.

Authors

زهره جوانشیری

استادیار، گروه اقلیم شناسی کاربردی، پژوهشکده اقلیم شناسی، پژوهشگاه هواشناسی و علوم جو، مشهد

محسن رحمدل

دانش آموخته دکتری هواشناسی کشاورزی از دانشگاه فردوسی مشهد

آزاده محمدیان

کارشناس ارشد پژوهشی، گروه اقلیم شناسی کاربردی، پژوهشکده اقلیم شناسی، پژوهشگاه هواشناسی و علوم جو، مشهد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • دین­پژوه، یعقوب.، فاخری، احمد.، مقدم، محمد.، میرنیا، میرکمال.، و جهانبخش ...
  • علیجانی، بهلول. (۱۳۹۰). اقلیم­شناسی سینوپتیک، چاپ چهارم، انتشارات سمت، تهران- ...
  • مسعودیان، سید. ابوالفضل. (۱۳۸۲). نواحی اقلیمی ایران. م. جغرافیا و ...
  • Barnett, V. and Lewis, T. (۱۹۹۴). Outliers in statistical data. ...
  • Badripour, H. (۱۹۹۲). Islamic Republic of Iran (FAO, Report on ...
  • Barnett, V. and Lewis, T. (۱۹۹۴). Outliers in statistical data. ...
  • Coll, J., Domonkos, P., Guijarro, J., Curley, M., Elke Rustemeier, ...
  • Lu, C. and Liang, L.R. ۲۰۰۴. Wavelet Fuzzy Classification for ...
  • Daget, J. (۱۹۷۹). Les modèles mathematiques en écologie. Collection d’Écologie ...
  • Eleonora Aruffo, E., Piero Di Carlo, P.D. (۲۰۱۹). Homogenization of ...
  • Guijarro, J.A. (۲۰۱۸). Homogenization of climatic series with Climatol. Available ...
  • International Energy Agency (IEA) (۲۰۱۳). Wind Power Technology Roadmap ۲۰۱۳ ...
  • Ma, , Gu, X. and Wang, B. ۲۰۱۷. Correction of ...
  • R. Adam, V.P. Janeja, and V. Atluri. Neighborhood based detection ...
  • Paulhus, J.L.H., Kohler, M.A. (۱۹۵۲). Interpolation of missing precipitation records. ...
  • Prasanthi, M.L., Krishna Chaitanya, A., Sambasiva Rao, Dr. N. (۲۰۱۶). ...
  • Rahimzadeh, F., Nassaji Zavareh, M., (۲۰۱۴). Effects of adjustment for ...
  • Ranjan, K., Tripathy, D.S., Prusty, B.R., and Jena, D. (۲۰۲۰). ...
  • Skrynyk, O., Aguilar, E., Guijarro, J., Yannick, L., Randriamarolaza, A., ...
  • Schaeffer R. et al. (۲۰۱۲). Energy sector vulnerability to climate ...
  • Tavakoli, M., and Mohmoudian, H.A., (۲۰۱۱). GIS based considerations for ...
  • Cheng, T. and Li, Z. (۲۰۰۴). A Hybrid Approach to ...
  • Yuxiang, S., Kunqing, X., Xiujun, M., Xingxing, J., Wen, P., and Xiaoping, ...
  • نمایش کامل مراجع