مرورری بر توانمندی مدل های SDSM،LARSو SVM در ریز مقیاس نمایی بارش و دما
Publish place: The International Conference in New Research of Civil Engineering Architecture Urban Development
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 870
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
RCEAUD01_064
Index date: 2 July 2016
مرورری بر توانمندی مدل های SDSM،LARSو SVM در ریز مقیاس نمایی بارش و دما abstract
افزایش گازهای گلخانه ای در چند دهه اخیر افزایش دمای ناشی از آن باعث بهم خوردن تعادل سیستم اقلیمی کره زمین شده، که به این پدیده تغییر اقلیم گفته می شود. تغییر اقلیم و گرم شدن کره زمین، می تواند اثرات نامطلوبی بر منابع مختلف از جمله آب و، جنگل، مرتع، اراضی کشاورزی، صنعت و در نهایت زندگی انسان داشته باشد. در حال حاضر مدل های گردش عمومی جو GCM تنها ابزاری هستند که اثر تغییر اقلیم در سطح جهانی را برای عناصر اتمسفری و شبکه های بزرگ مکانی شبیه سازی می کنند. این مدل ها به دلیل بزرگ مقیاس بودن شبکه محاسباتی، دقت تجربه مکانی و زمانی آنها با دقت مورد نیاز مدل های هیدرولوژیکی مطابقت ندارد. از این که خروجی این مدل ها قبل از استفاده در مطالعات ارزیابی تغییر اقلیم، می بایست ریز مقیاس شوند. برای این کار از دو روش دینامیک شیا آماری استفاده می کنند در ایران به دلیل عدم دسترسی به منبع مدل های GCM روش های آماری دارای کاربرد و مقبولیت بیشتری هستند. روش های آماری شامل روش طبقه بندی اقلیمی، مدل های هواشناسی و مدل های رگرسیونی می باشند. در این تحقیق به تشریح نیز مقیاس بودن سه روش SDSM و LARS و SVM بر متغیرهای اقلیمی ( بارش و دما) پرداخته و با مرور مطالعات در این زمینه، مزایا و معایب آنها بررسی خواهد شد.
مرورری بر توانمندی مدل های SDSM،LARSو SVM در ریز مقیاس نمایی بارش و دما Keywords:
مرورری بر توانمندی مدل های SDSM،LARSو SVM در ریز مقیاس نمایی بارش و دما authors
علی نوری
دانشجوی کارشناسی ارشد عمران،سازه های هیدرولیکی،دانشگاه آیت الله بروجردی (ره)
محمدرضا گودرزی
استادیار گروه مهندسی عمران،دانشکده مهندسی دانشگاه آیت الله بروجردی (ره)
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 :