بررسی تاثیر اصلاح اریبی بر بهبود کیفی داده های بارش ریز مقیاس سازی شده NEX-GDDP
Publish place: Journal of Iran-Water Resources Research، Vol: 18، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 121
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IWRR-18-1_005
تاریخ نمایه سازی: 24 بهمن 1401
Abstract:
استفاده از داده های دما و بارش ریزمقیاس سازی شده مرکز تبادلات داده های زمینی ناسا (NEX-GDDP) به عنوان یکی از محصولات مستخرج از مدل های اقلیمی جهانی به سرعت در حال گسترش است. بررسی کیفی داده های بارش این محصول در ایران می تواند پژوهشگران را در استفاده آگاهانه از آن در مطالعات هیدرولوژی و منابع آب یاری نماید. در این پژوهش ابتدا میزان کارایی داده های بارش ماهانه مدل ACCESS۱-۰ از محصول NEX-GDDP با دادههای مدل GCM متناظر با آن و نیز داده های مشاهداتی ایستگاه های واقع در هشت ناحیه همگن بارشی ایران مورد مقایسه قرارگرفت و سپس میزان بهبود کیفی مقادیر بعد از اصلاح اریبی به روش نگاشت چندک (QM) با استفاده از پنج تابع SSPLINE، QUANT، PTF، RQUANT و DIST مقایسه شد. بررسی کارایی داده های بارش ماهانه مدل منتخب از محصول NEX-GDDP در مقایسه با داده های GCM خام آن نشان داد که آماره های R ،PBIAS ،NSE و KGE به ترتیب در %۷۵، %۱۰۰، %۱۰۰ و %۸۸ ایستگاه های مورد مطالعه به مقدار قابل توجهی بهبود یافته است و همبستگی داده های اصلاح اریبی شده با داده های مشاهداتی در %۵۰ ایستگاه ها، PBIAS در تمامی ایستگاه ها، NSE و KGE نیز به ترتیب در %۷۵ و %۶۲/۵ ایستگاه ها بهبود یافته است. این بررسی همچنین نشان داد که از میان توابع مورد استفاده، تابع RQUANT بهترین کارایی را در اصلاح اریبی داده ها داراست.
Keywords:
Authors
وحید قلمی
دانشجوی دکتری گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
بهرام ثقفیان
استاد گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
طیب رضیئی
استادیار موسسه تحقیقات حفاظت از خاک و آبخیزداری، سازمان تحقیقات کشاورزی، آموزش و ترویج، تهران، ایران.
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 :