No category

پایان نامه رایگان با موضوع شبیه سازی، دینامیکی، عدم قطعیت، زمین آمار

دانلود پایان نامه

HadCM3
مرکز تحلیل و مدل سازی اقلیم کانادا
کانادا
CGCM1 and CGCM2
آزمایشگاه ژئوفیزیک و دینامیک سیالات آمریکا
آمریکا
GFDL-R15 and GFDL-R30
مرکز ملی تحقیقات اقلیمی آمریکا
آمریکا
NCAR DOE-PCM
مرکز ملی تحقیقات اقلیمی
ژاپن
CCRS- NiES
مرکز مطالعات اقلیمی و موسسه ملی محیط زیست
ژاپن
CCRSR- NIES
به همین دلیل استفاده از آنها در مقیاس حوزههای آبخیز یا هر محدوده کوچکی با مشکل روبرو است. لذا اطلاعات حاصل از خروجی این مدلها در مطالعات منابع آب که معمولاً در مقیاس حوزهها آبخیز میباشند، کابردی نیست. همواره یکی از دغدغههای اصلی استفاده از این مدل‏ها همین محدودیت تفکیک مکانی آنها بوده است (ویبلی و داسون، ۲۰۰۷ ؛ کوکیدیس و برگ، ۲۰۰۹؛ فانگ و همکاران، ۲۰۱۱). به همین دلیل متخصصین روشهای مختلفی برای تعمیم اطلاعات حاصل از خروجی مدلهای جهانی به سطوح کوچکتر تا حد یک ایستگاه ارائه نمودهاند که به کلیه این روشها ریز مقیاس نمایی۲۹ اطلاق میشود.
جدول (۱-۳) مشخصات مدل های AOGCM موجود درDDC مربوط به پایگاه اطلاع رسانیIPCC
مدل
ECHAM4
HadCM3
CSIRO
CGCM2
GFDL-R30
NCAR
CCSR
دقت مکانی X*Y درخشکیها (درجه)
۸/۲*۸/۲
۷۵/۳*۵/۲
۲/۳*۶/۵
۷/۳*۷/۳
۵/۷*۵/۴
۵/۷*۵/۴
۶/۵*۶/۵
دقت مکانی X*Yاقیانوسها (درجه)
۸/۲*۸/۲
۲۵/۱*۲۵/۱
۲/۳*۶/۵
۸/۱*۸/۱
۷۵/۳*۵/۴
۱*۱
۸/۱*۸/۱
دوره شبیه سازی گازهای گلخانهاِی و ذرات معلق:
CO2
SO4
Co2
۱۹۸۹-۱۸۶۰
so4
۱۹۸۹-۱۸۶۰
Co2
۱۹۸۹-۱۸۶۰
so4
۱۹۸۹-۱۸۶۰
Co2
۱۹۸۹-۱۸۸۱
so4
۱۹۸۹-۱۸۶۰
C o2
۱۹۸۹-۱۹۰۱
so4
۱۹۸۹-۱۸۶۰
Co2
۱۹۸۹-۱۷۶۶
so4
۱۹۸۹-۱۹۰۱
Co2
۱۹۸۹-۱۹۰۱
so4
۱۹۸۹-۱۹۰۱
Co2
۱۹۸۹-۱۸۹۰
so4
۱۹۸۹-۱۸۹۰
سناریوهای شبیه سازی
A2,B2
A2،A2b
B2,A2c
A2,A1
B2,B1
B2, A2c
B2, A2
B2,A2
A1B
A1F1, A1T A1A2,B2,B1،
مرجع
Nozawa et al., 2001
Meehl et al.,2001
Knutson et al., 1999
Flato and Boer., 2001
Gordon and O’Farrell. ،۱۹۹۷
Gordon et al ., 2000 .
Stendel et al.، ۲۰۰۰
البته لازم به ذکر است اصطلاح ریز مقیاس نمایی نه تنها در مورد مدل های جهانی گردش عمومی جو کاربرد دارد بلکه این اصطلاح در کلیه زمینه ها هر کجا که قرار باشد اطلاعات از یک سطح یا زمان بزرگتر به سطح یا زمان کوچکتر با هر روشی تعمیم داده شود، گفته میشود. نیاز به ریز مقیاس نمایی ضرورتی اجتناب ناپذیر است که با گذشت زمان این نیاز افزایش مییابد، حتی اگر در آینده بتوان مدلهای جهانی با قدرت تفکیک مکانی بسیار بالا توسعه داد باز نیاز به ریز مقیاسنمایی جهت تبدیل اطلاعات یک سطح کوچک به یک نقطه همچنان به قوت خود باقی است (ویگلی و همکاران، ۱۹۹۰ ؛ فولر و ویبلی، ۲۰۰۷؛ فانگ و همکاران، ۲۰۱۱). روشهای ریز مقیاسنمایی که جهت تعمیم اطلاعات از خروجی مدلهای عمومی جو به مقیاس منطقهای، محلی یا ایستگاهی مورد استفاده قرار میگیرند، بسیار متنوع هستند. این روشها از تبدیل اطلاعات یک سلول بزرگ به یک نقطه بطور مستقیم و بدون هیچگونه تغییری تا روشهای نسبتاً پیچیده مدلهای منطقهای متغیر میباشند که در ادامه به شرح آنها در حد این رساله پرداخته میشود.
۱-۶- روشهای کوچک مقیاس نمودن
استفاده از روشهای ریز مقیاسنمایی برای استخراج اطلاعات مدلهای جهانی برای اولین بار در سال ۱۹۸۴ انجام شد (کیم۳۰ و همکاران، ۱۹۸۴). و بعد از آن مطالعات متعددی در این زمینه صورت گرفت (ویلبی و ویجلی۳۱، ۲۰۰۰؛ زوریتا و استوچ۳۲، ۱۹۹۹؛ هیستون و کرانی۳۳، ۱۹۹۶ ، فولر و همکاران، ۲۰۰۷؛ فانگ و همکاران، ۲۰۱۱). در سال ۲۰۰۷ میلادی ویلبی و داسون روشهای ریز مقیاس نمایی را در یک تقسیم بندی کلی به دو گروه مدلهای ریزمقیاسنمایی دینامیکی و آماری و چهار روش تقسیم کردند. شکل (۱-۴) بصورت شماتیک نحوه کاربرد دو گروه اصلی ریز مقیاس نمایی را نشان میدهد. همانطور که مشخص است به منظور استفاده از خروجی مدلهای جهانی در مقیاس حوزههای آبخیز دادهها باید ریزمقیاس شوند. یا به عبارت دیگر اطلاعات موجود در شبکههای بزرگ مدلهای جهانی که عموماً سطحی معادل ۵۰۰۰۰ کیلومتر مربع دارند به سطوح کوچکتر تعمیم داده شوند تا دقت آنها مورد قبول واقع شود. همانطور که بیان شد به منظور درک بهتر، دو گروه اصلی روشهای ریز مقیاسنمایی را میتوان به چهار گروه کوچکتر تحت عنوان مدلهای ریزمقیاسنمایی: دینامیکی، سینوپتیکی، آماری و تابع انتقال تقسیم نمود ( ویبلی و داسون، ۲۰۰۷) که بصورت خیلی مختصر به بررسی هریک از آنها می پردازیم.
۱-۶-۱- مدلهای دینامیکی
این مدلها در واقع شبکهها (سلولهای) کوچکتر مدلهای گردش عمومی جو میباشند و قدرت تفکیک بالاتری از نظر مکانی نسبت به این مدلها دارند. دقت مکانی آنها بین ۲۰ تا۵۰ کیلومتر میباشد.
شکل (۱-۴) نحوه ریز و بزرگ مقیاس نمایی از مدلهای جهانی به مقیاس حوزه آبخیز و بالعکس (GCM مدلهای جهانی، RCM مدلهای ریزمقیاسنمایی منطقهای و SDS مدلهای ریزمقیاسنمایی آماری)
محدودیت اصلی این مدلها این است که به انتخاب شرایط مرزی حساسیت نشان میدهند و اجرای این مدلها نیازمند ابزار، امکانات و نیروهای متخصص میباشد. که اجرای آنها در بعضی کشورها با محدودیت روبرو است. حسن آنها این است که از دقت مکانی بیشتری نسبت به مدلهای گردش عمومی برخوردار هستند. همچنین قابلیت اعمال عوامل خارجی نظیر تاثیر کوهستان و یا آلودگی های صنعتی در پیش بینی متغیر مورد نظر را در مقیاس منطقهای دارند. علاوه براین برپایه قوانین فیزیکی استوار هستند.
۱-۶-۲- مدلهای هواشناسی
این مدلها در واقع متغیرهای اقلیمی را براساس الگوی غالب محلی و با استفاده از مدلهای گردش عمومی پیشبینی میکنند. اصول این مدلها در واقع بر پایه ارتباط بین جریان عمومی اتمسفر وخصوصیات هواشناسی غالب در یک محل مشخص استوار است. محدودیت اصلی آنها عدم توانایی در شبیه سازی وقایع کمیاب و نادر میباشند.
۱-۶-۳- مدلهای آماری
این مدلها در واقع دربرگیرنده روشهایی هستند که براساس ویژگی توزیعهای آماری نسبت به شبیه سازی متغیرهای مورد نظر عمل مینمایند. از این گروه مدلها میتوان به مدلهای , EARWIG34
LARS –WG35و۳۶ WGENاشاره نمود. بعنوان مثال مدل WGENاحتمال وقوع بارش را با استفاده از زنجیره مارکف و میزان بارندگی در روزهای مرطوب را با استفاده از توزیع گاما، درجه حرارت و تشعشات خورشیدی را با استفاده از تابع توزیع خود همبستگی۳۷ محاسبه میکند. حسن اصلی آنها سهولت استفاده از آنها و تشخیص تابع توزیع دادهها میباشد. عیب اصلی آنها این است که قادر به استفاده مستقیم از خروجی مدلهای جهانی نمیباشند. همچنین ممکن است در تشخیص توزیع دادهها دچار اشتباه شوند.
۱-۶-۴- مدلهاِی تابع انتقالی
اصول این مدلها بر پایه ارتباط بین متغیرهای وابسته و مستقل اقلیمی استوار است (متغیرهای پیشبینیکننده و پشبینیشونده). این روشها براساس اینکه از توابع ریاضی یا روشهای آماری جهت پیش بینی متغیرهای اقلیمی استفاده میکنند به دو دسته مدلهای ریاضی تابع انتقالی (شبکه عصبی) و مدل آماری تابع انتقالی ( رگرسیون خطی، غیر خطی) تقسیم میشوند. مهمترین حسن این روشها، کاربرد ساده آنها است و مهمترین عیب آنها این است که فقط بخشی از تغییرپذیری داده های مشاهدهای (خصوصا در مورد بارش) را تشریح میکنند (بعنوان مثال شدت بارش را نمِیتوانند در بازه زمانِی کوچکتر از ِیک روز شبِیه سازِی کنند). در این روش ها دقت مدل به مقدار زیادی به انتخاب متغیرهای مستقل جهت پیش بینی متغیر وابسته بستگی دارد (ویلبی و داسون،۲۰۰۷). یکی از معروفترین این مدلها که امروزه بطور گستردهای در دنیا ازآن استفاده میشود. مدلSDSM38 میباشد.که هیبریدی از مدل های آماری و تابع انتقالی است.
۱-۷- مزیتها و معایب مدلهای ریز مقیاسنمایی دینامیکی و آماری
جدول(۱-۴) مزیتها و معایب مدلهای ریز مقیاسنمایی آماری و دینامیکی را نشان میدهد. با توجه به این جدول هر دو گروه مدلها ریزمقیاس نمایی برای پیشبینی متغیر های اقلیمی در آینده با عدم قطعیت همراه میباشند. که این عدم قطعیت در وهله اول مربوط به مدلهای گردش عمومی میشود. اما بدلیل سهولت در کاربرد و عدم نیاز به سیستم های سخت افزاری و نرم افزاری مدلهای آماری برای شبیه سازی متغیرهای اقلیمی بیشتر مورد توجه قرار می گیرند (ویلبی و داسون، ۲۰۰۷) به اعتقاد ویلبی مدل SDSM که هیبریدی از مدلهای تابع انتقالی و آماری است بسیاری از معایب مدل های آماری را پوشش میدهد.
۱-۸- بزرگ مقیاسنمایی۳۹
برخلاف ریزمقیاس نمایی، بزرگ مقیاس نمایی تعمیم اطلاعات از یک سطح یا زمان کوچکتر (تا حد یک نقطه یا یک زمان مشخص) به یک سطح یا زمان بزرگتر است. به عنوان مثال تعمیم اطلاعات نقطهای حاصل از شبیه سازی یک مدل تغذیه در یک آبخوان به کل آبخوان (به منظور تعیین متوسط میزان تغذیه در آبخوان) نمونهی بارزی از بزرگ مقیاسنمایی میباشد. استفاده از بزرگ مقیاسنمایی در کلیه علوم خصوصا علوم منابعطبیعی امری اجتنابناپذیر است. امروزه توسعه روشهای بزرگ مقیاسنمایی یکی از موضوعات تحقیقاتی روز دنیا به حساب میآیند (هیلی، ۲۰۱۰). روشها بزرگ مقیاس نمایی از روشهای ساده آماری مانند محاسبه میانگین حسابی، هندسی تا روشهای پیچده زمین آماری متغیر میباشند. که استفاده از هرکدام از آنها بستگِی به هدف، نوع، دقت مورد نیاز، اعتبار، زمان، مکان و… پروژه مورد نظر دارد. روشهای بزرگ مقیاسنمایی را برای محاسبه تغذیه آب ها زیرزمینی به چهار گروه عمده:۱- مدلهای تجربی ۲- روش های رگرسیونی چند متغیره ۳- روشهای زمین آماری ۴- استفاده از سیستم اطلاعات جغرافیایی تقسیم بندی می نمایند (هیلی، ۲۰۱۰).
جدول (۱-۴) مزیتها و معایب دو گروه عمده روشهای ریز مقیاس نمایی (ویلبی و داسون، ۲۰۰۷)
مدلهای دینامیکی
مدلهای آماری
امکان استخراج اطلاعات در شبکههایی به ابعاد بین۱۰ تا ۵۰ کیلومتر از داده های GCMS
امکان استخراج اطلاعات از GCMs در مقیاس نقطه ای یا ایستگاهی
امکان شبیه سازی وقایع حدی بدلیل مبناء فیزیکی
ساده و ارزان بودن مراحل شبیه سازی
مزیت ها
امکان بکارگیری فرآیندهای هواشناسی نظیر بارشهای کوهستانی
امکان آنالیز عدم قطعیت
سازگاری با مدلهای GCMs
امکان بکارگیری شرایط محلی نظیر آلودگی هوا و اثر میکروکلیما و…
دقت آنها به دقت دادههای مدلهای جهانی وابسته است.
دقت آنها به دقت دادههای مدلهای جهانی وابسته است.
انتخاب شرایط و نوع شرایط مرزی روی نتایج موثر است.
انتخاب محل و سطح آن روی نتایج موثر است.
به نرم افزارها و امکانات بالایی جهت شبیه سازی نیاز

دیدگاهتان را بنویسید