خلاصة:
اصلاح خطا معمولاً برای خروجیهای مدل اقلیمی قبل از استفاده بعنوان ورودی مدلهای محیطی در مطالعات اثر تغییر اقلیم استفاده میشود. در این پژوهش ابتدا خروجی شش GCM ریزمقیاس نمایی شده با RcgCM4-4 در محدوده CORDEX جنوب آسیا با قدرت تفکیک افقی حدود 50 کیلومتر از سایت ESGF دریافت گردید. همچنین دادههای بارش، دمای بیشینه و دمای کمینه 41 ایستگاه همدید با نزدیکترین فاصله با یاختههای مدلها در محدود ایران از سازمان هواشناسی کشور اخذ شد. سپس دقت خروجیهای یاختههای متناظر با ایستگاههای زمینی نسبت به دادههای مشاهداتی با روشهای همبستگی و انحراف معیار استاندار شده با استفاده از نمودار تیلور ارزیابی گردید. در ادامه خطای مدل با کمترین خطای آماری برای خروجیهای بارش با روش fitQmapRQUANT و برای خروجیهای دمای بیشینه و دمای کمینه با روش اصلاح خطای اسکن خطی تصحیح خطا شدند. نتایج نشان داد روشهای اصلاح خطای بکار رفته برای خروجیهای دما سبب کاهش خطای دادهها شده است. برای دمای بیشینه در اکثر ایستگاههای مطالعاتی کم برآوردی این متغیر مشاهده گردید. این کم برآوردی در فصول گرم سال بیشتر از فصول سرد سال است. خروجیهای ماهانه دمای کمینه مدل CCCma در مقایسه با دادههای ایستگاههای واقع در مناطق جنوبی ایران بیش برآوردی این متغیر را بویژه در فصول گرم سال از خود نشان دادند. این در حالی است که در اکثر ایستگاههای واقع در عرضهای جغرافیایی بالا برآوردی درست یا کم برآوردی این متغیر مشاهده شد. در حالی که برای خروجیهای بارش به سبب اختلاف زیاد بین دادههای مشاهداتی و مدل روش اصلاح خطا اثر بخش نبود. برای این متغیر مدل در شبیهسازی آن متأثر از بارشهای موسمی جنوب آسیا برآورد درستی از بارشهای جنوب ایران نداشته و شرایط بارش تابستانه را در این مناطق و حتی مناطق واقع در عرضهای بالاتر در خروجیهای هر شش مدل مورد بررسی از خود نشان داد.
Bias correction usually used for the outputs of the climatic model before use as an input of environmental models in the climate change effects studies. In this research, GCM outputs obtained from ESGF dataset with the RcgCM4-4 climate model in the South Asia CORDEX domain with horizontal resolution about 50 km. Precipitation, maximum and minimum temperature data of 41 synoptic stations with the closest distance to model cells in Iran domain obtained from Iran Meteorological Organization. Then the accuracy of the outputs of the cells corresponding compared to the observational data with correlation and normalized standard deviation methods evaluated by Taylor diagram. Then, the model bias with the least error corrected for the precipitation outputs with fitQmapRQUANT method and for the maximum and minimum temperature outputs with the linear scanning bias correction. Results showed that the bias correction methods used for the temperature outputs improved the error of data but for precipitation outputs, it was not effective due to the large difference between observation and model data. The model to estimating the maximum temperature in these regions had less bias than in those at low latitudes. The CCCma model's monthly minimum temperature outputs overestimated this variable, especially in hot seasons, compared to station data in southern Iran. At most stations located at high latitudes, this variable is corrected or underestimated. The bias correction of the model outputs for this variable corrected the biases in the cells corresponding to the observation stations.
ملخص الجهاز:
اصلاح خطای خروجیهای دمای کمینه و ب 14 as correction"/>as correction"/> و اصلاح خطای دادههای بارش با روش 15 cal quantiles"/>cal quantiles"/> در بسته نرمافزاری q Ivanov & Kotlarski Krinner Beck Li Müller Terink Piani & Haerter, Maraun Dosio & Paruolo Chen Cannon Guo Chen & Brissette Linear scanning bias correction Non-parametric quantile mapping using robust empirical quantiles بسته نرمافزاری qmap تابع fitQmapRQUANT ارتباط quantile-quantile سری زمانی مشاهداتی و مدلسازی شده را برای تصحیحات با فاصله منظم با استفاده از رگرسیون حداقل مربع خطی برآورد میکند.
مقایسه دادههای میانگین بلندمدت دمای کمینه مشاهداتی و خروجی مدلها نشان میدهد مدل CCCma نسبت به مدلهای دیگر برآورد درستتری از مقادیر این متغیر دارد (شکل 4).
. شکل 6: میانگین ماهانه بارش برای دادههای مشاهداتی (OBS) و مدل CCCma اصلاح شده (COR).
(به تصویر صفحه مراجعه شود) (به تصویر صفحه مراجعه شود)ادامه شکل 6- ارزیابی خطای مدلهای برای دمای کمینه و بیشینه نشان داد مدل CCCma کمترین خطا را با دادههای مشاهداتی دارد.
(به تصویر صفحه مراجعه شود)شکل 7: میانگین ماهانه دمای بیشینه برای دادههای مشاهداتی (OBS) و مدل CCCma بدون اصلاح (MOD) و اصلاح شده (COR).
(به تصویر صفحه مراجعه شود)شکل 8: میانگین ماهانه دمای کمینه برای دادههای مشاهداتی (OBS) و مدل CCCma بدون اصلاح (MOD) و اصلاح شده (COR ).
اصلاح خطای خروجیهای مدل برای این متغیر سبب تصحیح خطاهای موجود در یاختههای متناظر با ایستگاههای مشاهداتی گردید.
“Statistical downscaling and bias correction of climate model outputs for climate change impact assessment in the U.