مقدمه:
ریز مقیاس نمایی یعنی فرآیند حرکت از پیش بینی کننده های بزرگ مقیاس به پیش بینی شونده ها در مقیاس محلی. روش های ریز مقیاس سازی به دو دسته آماری و دینامیکی تقسیم می شوند:
روش دینامیکی : مدل هایی که برای ریز مقیاس نمایی دینامیکی استفاده می شوند بسیار شبیه همان مدل های گردش عمومی هستند، منتها گام های زمانی و مکانی شبکه ریزتر و دقیق تر هستند پس این مدل ها همان پیچیدگی های مدل های اقلیمی را دارا می باشند .
انواع مدل های دینامیکی می توان به REGCM , NCEP/RSM و یا WRF اشاره کرد.
روش آماری : هدف در این روش توسعه روابط بین متغیر های اقلیمی بزرگ مقیاس و متغیر های منطقه ای و در نهایت شناسایی روابط بین سیستم ها از روی داده های مشاهداتی می باشد.درحقیقت این مدل ها روابطی را بین پیش بینی کننده ها که همان متغیر های بزرگ مقیاس هستند و پیش بینی شونده ها که همان متغیر های منطقه ای می باشند گسترش می دهند سپس متغیر های اقلیمی محلی را برای آینده پیش بینی می کنند .
روش های آماری به چند قسمت کلی تقسیم بندی می شوند:
- روش های مبتنی بر آلودگی آب و هوا
- روش های تصادفی ( مولد های هوا شناسی)
- روش های رگرسیونی
مدل هایی که برای این روش استفاده می شوند عبارتند از:
WGEN, CLIMGEN, LARS-WG, SDSM, ASD, Magicc-Scengen
این مدل ارتباطات آماری بین پیش بینی كننده های بزرگ مقیاس و پیش بینی شونده ها در مقیاس محلی را بر اساس روش رگرسیون خطی چندگانه برقرار می كند.
این ارتباطات با استفاده از داده های مشاهداتی ایستگاه و خروجی های مدل های گردش عمومی در دوره مشابه دیدبانی ایجاد می شوند. فرض بر این است كه این روابط در آینده نیز صادق باشند، به عبارت دیگر فرض اساسی در ریز مقیاس نمایی آماری مستقل از زمان بودن این ارتباطات است قبل از انجام فرآیند ریزمقیاس نمایی توسط این مدل داده های مشاهداتی و داده های مدل های گردش عمومی با توجه به مقادیر میانگین و انحراف معیار آنها در دوره مورد نظر نرمالیزه می شوند؛ اینكار به این دلیل انجام می شود كه مدل های گردش عمومی نمی توانند به خوبی اقلیم محلی را مانند دیدبانی شبیه سازی نمایند؛ لذا مقایسه این دو باهم قبل از نرمالیزه كردن می تواند موجب همبستگی های غیرمعقول گردد.
متغیرهای پیش بینی كننده اطلاعات مربوط به حالت بزرگ مقیاس جو را فراهم می كنند؛ در حالیكه متغیرهای پیش بینی شونده حالت جو را در مقیاس نقطه ای/ محلی مشخص می كنند.
كنترل كيفي: در اين مرحله دادههاي ديدهباني (پيشبينيشونده) از نظر تعداد دادهها، بيشينه، كمينه، دادههاي مشكوك و مفقود كنترل ميشود.
غربالگري متغيرها: ارتباط بين دادههاي ديدهباني (پيشبينيشونده) با دادههاي بزرگ مقياس (پيشبينيكننده) داراي شدت و ضعف گوناگون است. هدف از اين مرحله، يافتن قويترين ارتباط پيشبينيكنندهها با پيشبينيشوندهها است. در اين بخش سه موضوع مورد بررسي قرار ميگيرد: همبستگي فصلي، همبستگي جزئي و نمودار پراكنش. اگر متغير مانند بارش شرطي باشد كه بايد ابتدا تر يا خشك بودن روز پيشبيني شود و سپس مقدار بارش، در آن صورت گزينه شرطي را انتخاب ميكنيم. به عبارت ديگر ارتباط بين بارش و پيشبينيكنندهها غيرمستقيم است و توزيع آنها داراي چولگي است؛ اما در مورد دما ارتباط بين آن با پيشبينيكنندهها مستقيم در نظر گرفته شده و توزيع آن نرمال است، بنابراين براي دماي بيشينه غير شرطي انتخاب ميشود. سطح همبستگي معمولا 05/0 در نظر گرفته ميشود. غربالگري با در نظر گرفتن ميزان همبستگي بين پيشبينيشونده- پيشبينيكننده، همبستگي جزئي و نمودار پراكندگي انجام مي شود.
واسنجي: در اين مرحله مدلهاي آماري سالانه، فصلي و ماهانه مبتني بر معادلات وايازي چندگانه با به كارگيري دادههاي پيشبينيشونده و پيشبينيكننده روزانه ساخته مي شوند. مشخصات و پارامترهاي مدلهاي آماري ياد شده (مانند متاديتا، دوره واسنجي، نوع مدل، پيشبينيكنندههاي به كار رفته در ساخت مدل و غيره) در فايل استانداردي با پسوند PAR. نگهداري مي شوند.
توليد داده: عملگر توليد داده مجموعهاي از دادههاي روزانه پيشبينيشونده را با لحاظ سري دادههاي روزانه پيشبينيكنندهها و بر اساس معادلات وايازي پايهگذاري شده در بخش واسنجي توليد ميكند. اين گام در مدل SDSM مسئوليت راستيآزمايي معادلات ريزمقياسنمايي طراحي شده در گام واسنجي را به عهده دارد. در اين مرحله ميتوان حداكثر تا 100 سري داده روزانه را توليد كرد كه هيچكدام از سريهاي توليدي ارجحيتي بر يكديگر ندارند.
تجزيه و تحليل دادههاي ديدهباني و ريزمقياسشده: تجزيه و تحليل داده شامل بررسي ميانگين، بيشينه، كمينه، واريانس، مقادير آستانه، صدكها، روزهاي تر و خشك و غيره در مقياسهاي گوناگون سالانه، فصلي و ماهانه انجام ميشود.
تجزيه و تحليل فراواني: در اين مرحله امكان ترسيم توزيعهاي گوناگون براي دادهها فراهم ميشود. براي ديدن نمودارها از گزينههاي Observed data و Modeled data فايل دادههاي ديدهباني و مدلشده مشخص ميشود. پس از آن منحنيهاي Q-Q، Pdf، منحني تجزيه و تحليل فراواني و غيره قابل ترسيم ميشوند. يكي از توانمنديهاي اين بخش برازش توزيعهاي آماري از جمله توزيع تجربي، گامبل و غيره بر سري دادهها است.
توليد سناريو: در اين مرحله با استفاده از معادلات ريزمقياسنمايي ايجاد شده در قسمت واسنجي و دادههاي مدل گردش عمومي، دادههاي روزانه متغيرهاي پيشبينيشونده براي دهههاي آينده توليد ميشود. پيشبينيكنندههاي مدلهاي گردش عمومي بايد نسبت به يك دوره مرجع (اجراي كنترل) نرماليزه شده و براي تمامي متغيرهاي مورد استفاده در قسمت واسنجي در دسترس باشند.
برخی از متغییرهای پیش بینی کننده بزرگ مقیاس مدل های گردش عمومی مورد استفاده در مدلSDSM عبارتند از:
دمای 2 متری، فشار سطح متوسط دریا، ارتفاع ژئوپتانسیلی 500 میلیباری، ارتفاع ژئوپتانسیلی سطح 850 میلیباری، رطوبت نسبی مجاورسطح زمین، رطوبت نسبی سطح 500 میلیباری، رطوبت نسبی سطح 850 میلیباری، رطوبت ویژه مجاور سطح زمین، رطوبت ویژه سطح 500 میلیباری، رطوبت ویژه سطح 850 میلیباری، سرعت باد زمینگرد، تاوایی، مولف مداری باد، مولفه نصف النهاری باد، واگرایی و سمت باد. از بین متغیرهای فوق فقط متغیر سمت باد نرمالیزه نمی شود.
نحوه اجرا مدل SDSM:
شکل شماره 7. کالیبره کردن مدل
شکل شماره 8.تولید داده های مصنوعی آب وهوایی
شکل شماره 9 . آنالیز داده های مشاهداتی و ریز مقیاس شده
شکل شماره 10. آنالیز داده های تولید شده در مرحله summery statistics
منابع:
الطافی ن، 1396، پروژه کارشناسی، معرفی مدل های بررسی کننده تغییر اقلیم، دانشکده محیط زیست کرج.
www.sdsm.org. uk
مشاهده ادامه این مطلب فقط برای اعضای سایت فراگیر علمی تخصصی محیط زیست فراهم می باشد. خواهشمنداست جهت مشاهده کامل این نوشته، ثبت نام کنید و به حساب کابری خود وارد شوید. ثبت نام در اینجا کاملاً رایگان است.
مشاهده ادامه این مطلب فقط برای اعضای سایت فراگیر علمی تخصصی محیط زیست فراهم می باشد. خواهشمنداست جهت مشاهده کامل این نوشته، ثبت نام کنید و به حساب کابری خود وارد شوید. ثبت نام در اینجا کاملاً رایگان است.
