ارزیابی روش های مختلف درون یابی داده های دمایی NCEP/NCARدر سطح حوضه های آبریز درجه ۲ کشور ایران
Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 294
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-5-2_002
تاریخ نمایه سازی: 4 اسفند 1400
Abstract:
دما یکی از پارامتر های مهم در مطالعات اقلیمی و هیدرولوژیکی است. هدف اصلی این مقاله استفاده از داده های دمای سالانه از مجموعه داده های موسوم به Reanalysis از پایگاه جهانی NCEP/NCAR با توان تفکیک مناسب برای مطالعات منطقه ای می باشد. این پایگاه، داده های دما را با دقت ۵/۲ درجه در اختیار کاربران قرار می دهد. به دلیل تنوع توپوگرافی کشور ایران، دقت داده های ۵/۲ درجه پایین بوده و برای پژوهش های کاربردی و مطالعات منطقه ای باید از توان تفکیک بالاتر استفاده نمود. هدف از این پژوهش افزایش توان تفکیک داده های دمای پایگاه مزبور با استفاده از روش های درون یابی موجود در نرم افزار متلب است. در متلب چهار روش برای درون یابی داده ها موجود می باشند که عبارتند از: روش خطی، روش نزدیک ترین همسایگی، روش اسپلاین و روش همسایگی عادی (طبیعی). با به کارگیری هرکدام از این چهار روش در سطح ۳۰ زیر حوضه درجه ۲ تعریف شده توسط سازمان مدیریت منابع آب، داده های ۵/۲ درجه به داده هایی با توان تفکیک ۱ درجه تبدیل شدند. برای بررسی دقت داده های درون یابی شده، داده های جدید تولید شده داخل هر زیرحوضه با داده های دمای ایستگاه های سینوپتیک داخل همان زیرحوضه مقایسه گردیدند. با استفاده از معیار های خطاسنجی RMSE، MBE، ضریب باقیمانده و ناش - ساتکلیف روش های نزدیکترین همسایگی و اسپلاین با برتری نسبی نسبت به روش های دیگر، به عنوان روش برتر شناخته شدند. حاصل این مطالعه تولید گره های اطلاعاتی مربوط به دما برای مطالعات هیدروکلیماتولوژیکی، ارائه روش برای بروزرسانی و لذا حذف نیاز محققین به جمع آوری، آزمون و استفاده از ایستگاه های زمینی و داده های موجود در منطقه است.
Authors
رضا مروتی
مهندسی آب، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران
علیرضا شکوهی
مهندسی آب، دانشکده فنی و مهندسی دانشگاه بین المللی امام خمینی (ره)، قزوین
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 :