چکیده:
در این پژوهش، دادههای مورد نیاز بارش ایستگاههای همدید منطقه مورد مطالعه طی دوره آماری 1981-2015 از مرکز آمار سازمان هواشناسی اخذ گردید. جهت پیشبینی و تولید دادههای آماری دوره 2026 تا 2065 از مدل LARS-WG و CLIMGEN استفاده شد. در این مطالعه از روش بوت استراپ جهت ارزیابی عدم قطعیت بارش استفاده شد. همبستگی بین دادههای بارش ماهانه مشاهداتی و شبیهسازی شده نشاندهنده این است که مدل CLIMGEN دادههای مصنوعی بارش را با دقت بیشتری شبیهسازی میکند. کمترین خطای RMSE و MAE در هر دو مدل مربوطه به ایستگاه جلفا است و بیشترین خطا در هر دو مدل در ایستگاه سردشت اندازهگیری شده است. برآورد مقادیر خروجی بارش (میانگین بارش) توسط مدل LARS-WG با روش بوت استراپ نشاندهنده عدم قطعیت بالاتر مدل LARS-WG نسبت به مدل CLIMGEN است. واریانس بارش مشاهداتی نیز نشاندهنده تغییرات زیاد فاصله اطمینان در ماههای فصل بهار و پاییز است. بنابراین با توجه به مطالب فوق میتوان گفت که در رابطه با بارش، مدل LARS-WG عدم قطعیت بیشتری را نسبت به مدل CLIMGEN در اکثر ایستگاههای مطالعاتی منطقه مورد مطالعه نشان میدهد. قدر مطلق خطای بارش سالانه با خروجی مدل CLIMGEN مقدار کمتری را نسبت به قدر مطلق خطا با خروجی مدل LARS-WG نشان میدهد. که این امر نشاندهنده مقدار خطای کمتر مدل CLIMGEN در عدم قطعیت مکانی بارش شبیهسازی شده نسبت به مدل LARS-WG در منطقه شمالغرب ایران است.
In this research, the precipitation data needed for the stations of the study area during the statistical period of 1981-2015 was obtained from the Meteorological Statistics Center. To predict and produce statistical data from 2026 to 2065, the LARS-WG and CLIMGEN models were used. In this study, bootstrap method was used to assess precipitation uncertainty. The correlation between the observed and simulated monthly rainfall data shows that the CLIMGEN model simulates the synthetic rainfall data more accurately. The lowest error of the RMSE and MAE in both of these models is at Jolfa Station And the highest error in both models was measured at Sardasht station. Estimation of precipitation output (mean precipitation) by LARS-WG model with bootstrap method indicates higher uncertainty of LARS-WG model than CLIMGEN model. The variance of precipitation observations also indicates a significant change in confidence intervals in the spring and autumn months. Therefore, with regard to the above, it can be said that in the case of rainfall, the LARS-WG model shows more uncertainty than the CLIMGEN model in most of the studied stations in the study area. The absolute magnitude of annual precipitation error with the output of the CLIMGEN model is less than the magnitude of the error with the output of the LARS-WG model. This indicates a lower error value of the CLIMGEN model in the simulated precipitation spatial uncertainty than the LARS-WG model in the northwestern region of Iran.
خلاصه ماشینی:
واريانس بارش مشاهداتي نيز نشان دهنده تغييرات زياد فاصله اطمينان در ماه هاي فصل بهار و پاييز است ؛ بنابر ين با توجه به مطالب فوق ميتوان گفت که در رابطه با بارش ، مدل LARS-WG عدم قطعيت بيشتري را نسبت به مدل CLIMGEN در اکثر ايستگاه هاي مطالعاتي منطقه مورد مطالعه نشان ميدهد.
بررسي روند، تجزيه و تحليل و مدل سازي و پيش بيني بارش ماهانه با استفاده از مدل هاي تصادفي سري زماني (مطالعه موردي: ايستگاه اردبيل ) توسط ايماني و همکاران (١٤٠٠) مورد بررسي قرار گرفته است که نتايج مربوط به 1 1 Artificial Neural Network 2 Kansabati 3 Minvile بارندگي ماهانه ي پيش بيني شده در ٥ سال آينده (٢٠٢٠ تا ٢٠٢٤) با استفاده از بهترين روش ايستاسازي و بهترين مدل سريهاي زماني در ايستگاه سينوپتيک اردبيل نشان دهنده اين است که مقدار بارندگي سالانه در ٤ سال از ٥ سال آينده نسبت به ميانگين بارندگي ٢٠ سال گذشته ، بين ٣ تا ١٧ درصد کاهش خواهد يافت که بيشترين کاهش مربوط به سال ٢٠٢٢ ميلادي است .
واريانس بارش مشاهداتي نيز نشان دهنده تغييرات زياد فاصله اطمينان در ماه هاي بهار (آوريل و مي) و پاييز (نوامبر و دسامبر) است ؛ بنابراين با توجه به مطالب فوق ميتوان گفت که در رابطه با بارش ، مدل LARS-WG عدم قطعيت بيشتري را نسبت به مدل CLIMGEN در اکثر ايستگاه هاي مطالعاتي نشان ميدهد.