مدل سازی ماهانه خشکسالی با استفاده از برونداد پس پردازش شده سامانه CFS.v۲-RegCM۴ در دوره ۱۹۸۲ تا ۲۰۱۰ (مطالعه موردی: ایران)
Publish place: Journal of the Earth and Space Physics، Vol: 49، Issue: 2
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 99
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-49-2_011
تاریخ نمایه سازی: 26 مهر 1402
Abstract:
از آنجاکه کشور ایران در منطقه ای خشک و نیمه خشک واقع شده است، همواره در معرض کمبود بارش، دما و تبخیر بالا و در نتیجه خشکسالی های متعدد با اثرات مخرب بوده است. لذا پایش، مدل سازی و پیش بینی این پدیده، به ویژه در مقیاس ماهانه می تواند نقش به سزایی در مدیریت ریسک خشکسالی داشته باشد. هدف مطالعه حاضر، توسعه مدلی با قابلیت محاسبه شاخص های SPI و SPEI در پیش دید یک ماهه با بهره گیری از برونداد بارش و دمای مدل CFS.v۲ که توسط مدل منطقه ای RegCM۴ ریزمقیاس شده است، می باشد. ابتدا با استفاده از داده های دمای ریزمقیاس شده مدل CFS.v۲ در دوره ۲۰۱۰-۱۹۸۲ و همچنین داده های ERA۵، مقادیر تبخیر-تعرق پتانسیل ماهانه به روش هارگریوز-سامانی محاسبه شد؛ سپس داده های ریزمقیاس شده بارش و تبخیر-تعرق پتانسیل سامانه CFS.v۲-RegCM توسط مدل های درخت تصمیم و ماشین بردار پشتیبان پس پردازش شدند. داده های ریزمقیاس شده به عنوان ورودی و داده های بازتحلیل ERA۵ به عنوان داده های مرجع جهت آموزش (۲۰۰۲-۱۹۸۲) و آزمون (۲۰۱۰-۲۰۰۳) استفاده شدند. در پایان، از داده های ریزمقیاس شده و پس پردازش شده جهت محاسبه مقادیر SPI و SPEI یک ماهه مدل و از داده های ERA۵ برای محاسبه مقادیر نظیر مرجع استفاده شد. مقایسه داده های پس پردازش شده بارش و تبخیر-تعرق پتانسیل با داده های نظیر بازتحلیل ERA۵ نشان داد که مدل درخت تصمیم از کارایی بالاتری نسبت به مدل ماشین بردار پشتیبان برخوردار است. همچنین مقادیر SPI و SPEI محاسبه شده با داده های منتج از سامانه CFS.v۲-RegCM۴ که با مدل درخت تصمیم پس پردازش شده اند با مقادیر نظیر منتج از داده های بازتحیلی ERA۵ همخوانی قابل قبولی داشتند.
Keywords:
Authors
یاشار فلامرزی
پژوهشگاه هواشناسی و علوم جو، پژوهشکده اقلیم شناسی، مشهد، 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 :