محتوای آموزشیمحتوای آموزشی رشته ارزیابی و آمایش

مدل LARS – WG

LARS – WG Model

این مدل یکی از مشهورترین مدل­ های مولد داده­ های تصادفی وضع هوا است که برای تولید دمای حداقل و حداکثر، بارش و تابش به صورت روزانه تحت شرایط اقلیم حاضر و آینده به کار می­رود. مدل LARS – WG به مراتب از دیگر برنامه ­ها به دلیل تکرار محاسبات، نیاز کمتر به داده­ های ورودی، سادگی و کارایی دارای کاربرد بیشتری است. ابتدا توسط راسکو و همکاران (1997) ارائه شد و سپس توسط سمنوف و همکاران (1998) بازنگری شد. درحال حاضر مدل LARS – WG برای تولید داده­ های روزانه، آینده به صورت مصنوعی و داده ­سازی در بازه زمانی یا در ایستگاه­ های فاقد آمار به کار می­رود. جهت تولید داده ­های مصنوعی، مدل داده­های روزانه بلندمدت (حداقل 30 ساله) مربوط به ایستگاه (دما، بارش، ساعات آفتابی)را به صورت ورودی با یکدیگر مقایسه می­نماید. در صورت تطابق این دو دسته داده، مدل قادر به تولید سری­ های زمانی مربوط به آینده می ­باشد. در عملکرد دوم یعنی تولید داده برای ایستگاه فاقد اطلاعات، مدل از داده­ های نزدیک­ترین ایستگاه به ایستگاه مجهول استفاده کرده، این داده­ ها و خصوصیات آماری آن­ها را بررسی نموده و با توجه به یکسان بودن خصوصیات اقلیمی این دو ایستگاه به سبب نزدیکی به یکدیگر، از داده ­های ایستگاه معلوم و خصوصیت آماری آن­ها جهت تولید داده در ایستگاه مجهول استفاده می­کند. این مدل به عنوان یک مدل ریز مقیاس گردانی، در عین پیچیدگی کمتر فرآیند شبیه­ سازی و داده­ های ورودی و خروجی، توانایی بالایی در پیش­بینی تغییر اقلیم دارد. ورودی­ های مدل، داده ­های میانگین دمای حداقل و دمای حداکثر روزانه، میانگین بارش روزانه و ساعات آفتابی روزانه می­باشد. (گودرزی و همکاران ،1395)

چهار مرحله پیش­بینی داده ­ها در زمان آینده توسط مدل LARS – WG

آنالیز داده­ های پایه : تجزیه و تحلیل ویژگی­ های آماری داده ­های مشاهداتی به منظور تعیین ویژگی­ های آماری داده ­ها

  • تولید اولیه داده : تولید داده به صورت مصنوعی توسط مدل در دوره پایه و تعیین خصوصیات آماری داده­ های مصنوعی تولید شده
  • مقایسه آماری : تطبیق و مقایسه ویژگی ­های آماری داده ­های مشاهداتی و داده­ های مصنوعی تولید شده
  • تولید داده­ های روزانه در آینده : استفاده از ویژگی­ های آماری داده ­های پایه و سناریوهای انتشارگازهای گلخانه­ای و خروجی مدل­ های گردش عمومی  در تولید سری ­های زمانی روزانه منتقل شده به آینده با همان خصوصیات آماری داده­های پایه(گودرزی و همکاران ،1395)

دلیل اصلی تولید این مدل، غلبه بر نقاط ضعف زنجیره مارکف بوده که از آن بسیار برای مدل­سازی رخداد بارش استفاده شده است. به همین دلیل نیز در نسخه­ های جدید به خاطر ضعف روش مارکف از توزیع نیمه تجربی استفاده شده است.

در واقع مدل LARS – WG برای طول سری­ های تر و خشک، بارش روزانه و تابش آفتابی از توزیع نیمه تجربی استفاده می­کند.

روش کار  به این صورت است که مدل، داده­ های دیده ­بانی شده دوره پایه را دریافت نموده، با بررسی آن­ها مشخصه­ های آماری داده­ ها استخراج می­شوند. سپس به منظور صحت سنجی و اطمینان از توانمندی مدل، برای دوره آماری پایه (1990-1961) مدل را اجرا نموده تا یک سری داده ­های مصنوعی در دوره پایه مجدداً ایجاد شود سپس این خروجی­ ها را به منظور ارزیابی عملکرد مدل در بازسازی داده­ ها، با مشخصات آماری مشاهدات 30 ساله به کمک آزمون­ های کلموگراف ـ اسمیرنوف T-test, (K-S)  ،F- test مقایسه می­شوند. تطابق مشخصات آماری داده­ های مشاهداتی و داده­ های باز تولیدی، نشان می­دهد که مدل، سناریوهای انتشار گازهای گلخانه ­ای انتخابی و خروجی مدل­ های اقلیمی GCM  را به داده­ های دوره پایه اعمال و تغییرات را شبیه­ سازی می­کند. (گودرزی و همکاران ،1395)

منبع:

الطافی ن، 1396، پروژه کارشناسی، معرفی مدل های بررسی کننده تغییر اقلیم، دانشکده محیط زیست کرج.

rothamsted.ac.uk/lars-wg-weather-simulation-model

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.

ارمغان اردلانی

دانشجوی ارشد علوم و مهندسی محیط زیست گرایش ارزیابی و آمایش سرزمین دانشکده محیط زیست کرج

مطالب مرتبط

1 thought on “مدل LARS – WG”

پاسخی بگذارید

اینها را هم ببینید

بسته
Translate »
%u0637%u0631%u0627%u062D%u06CC %u0633%u0627%u06CC%u062A
Copy Protected by Chetan's WP-Copyprotect.
بسته