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.
Hi,
Hope you are keeping well. I am going to install LARS-WG6 but when I double click on LARSWG6.exe nothing pops up not even a message or an error literary nothing. I was wondering if you could let me know what might be a problem.
Kindest regards,