پاورپوینت: مدل ریز مقیاس نمایی SDSM

۱- عدد فایل پاور(قابل ویرایش) به تعداد ۲۶ اسلاید است(این فایل برای ارائه کلاسی کاشناسی، ارشد   و دکتری عالی است)

(پاورپوینت حاضر حرفه ای است و تمام رفرنس نویسی ها رعایت شده و دارای نود های راهنما است)

پاورپوینت: مدل ریز مقیاس نمایی SDSM

قسمتی از من پاورپوینت

مقدمه ای در باب مدل های گردش عمومی جو

مدل های گردش عمومی در واقع حل معادلات حاکم بر جو بر اساس قوانین نیوتن و ترمودینامیک هستند.  به عبارت دیگر قوانین نیوتن در سه محور X، Y و Z نوشته می شوند که نهایتا به عنوان معادلات تکانه از آنها یاد می شود این سه معادله در کنار قوانین عمومی گازها و ترمودینامیکی، اساس مدل های گردش عمومی جو را تشکیل می دهند. هدف مدل های گردش عمومی پیش بینی تحول زمانی جو می باشد. در ارتباط با این مدل ها دو دیدگاه عمده وجود دارد:

۱) دیدگاهی که هدف آن استفاده از اینگونه مدل ها برای پیش بینی فصلی (از یک ماه آینده تا کمتر از یکسال) می باشد. البته اخیرا در مرکز هادلی انگلیس و سازمان هواشناسی ژاپن همین روش را برای پیش بینی های کمتر از  ۵ سال نیز استفاده می کنند، منتها برای مناطق حاره که تاثیرپذیری بیشتری از دمای پهنه های اقیانوسی دارند. در واقع دو مرکز یاد شده با استفاده از فقط داده های شرایط مرزی اقیانوسی اقدام به پیش بینی ۲ تا ۵ سال اقلیم می کنند.

ریز مقیاس نمایی به دو صورت انجام می شود:
دینامیکی و آماری.
ریز مقیاس نمایی دینامیکی
مدل هایی که برای ریز مقیاس نمایی دینامیکی استفاده می شوند بسیار شبیه همان مدل های گردش عمومی هستند، منتها گامهای زمانی و مکانی شبکه ریزتر و دقیقتر هستند.
مثلا گام مکانی مدل های گردش عمومی حدود ۲٫۵ در ۲٫۵ درجه جغرافیایی-حدود ۲۵۰ کیلومتر در عرض های جغرافیایی محدوده کشورمان- می باشد در حالیکه که گام مکانی مدل های ریزمقیاس نمایی دینامیکی که به آنها مدل های منطقه ای نیز می گویند بین ۲۰ تا ۵۰ کیلومتر در نظر گرفته می شود. البته این عدد ثابت نیست و ممکن است شما گام مکانی را ۱۰ کیلومتر هم بگیرید.
از انواع مدل های دینامیکی می توان به RegCM , NCEP/RSM و یا WRF اشاره کرد.

روش ریز مقیاس نمایی آماری :

روش دیگری که شما می توانید مدل های گردش عمومی را ریزمقیاس کنید ریزمقیاس نمایی آماری است.

در این روش پس از تعیین تابع مطلوب، متغیرهای اقلیمی بزرگ مقیاس که توسط مدل های چرخه عمومی در دوره های آتی شبیه سازی شده اند، به عنوان ورودی در این توابع اعمال شده و متغیر سطحی مورد نظر نتیجه خواهد شد

در این روش یک ارتباط آماری با استفاده از رگرسیون ساده، چند متغیره ، شبکه عصبی و . . . بین رفتار واقعی ایستگاه و برونداد مدل گردش عمومی ایجاد می شود. بعد از راستی آزمایی، این معادلات می توانند در ریزمقیاس نمایی پیش بینی های آینده با استفاده از سناریوهای انتشار مورد استفاده قرار گیرند. اگر چه این روش نسبت به روش های قبلی نتایج بهتری را ارائه می کند، ولی نیاز به داده های مشاهداتی زیاد و قضاوت متخصصین به منظور برقراری رابطه مناسب را دارد.

برخی از مدل هایی که برای این روش استفاده می شوند عبارتند از:

WGEN, CLIMGEN, LARS-WG, SDSM, ASD, Magicc-Scengen

مقدمه ای در معرفی مدل ریزمقیاس نمایی آماری SDSM

این مدل ارتباطات آماری بین رفتار های بزرگ مقیاس(پیش بینی كننده ها) و محلی(پیش بینی شونده ها) را بر اساس روش رگرسیون خطی چندگانه برقرار می كند.

این ارتباطات با استفاده از داده های مشاهداتی ایستگاه و  بروندادهای (خروجی) مدل های گردش عمومی  در دوره مشابه دیدبانی ایجاد می شوند. فرض بر این است كه این روابط در آینده نیز صادق باشند،‌ به عبارت دیگر فرض اساسی در ریز مقیاس نمایی آماری مستقل از زمان بودن این ارتباطات است قبل از انجام فرآیند ریزمقیاس نمایی توسط این مدل داده های مشاهداتی و داده های مدل های گردش عمومی با توجه به مقادیر میانگین و انحراف معیار آنها در دوره مورد نظر نرمالیزه می شوند.

۳ تنظیمات

صفحه نمایش تنظیمات SDSM

. تنظیمات جهانی زیر موجود است:

طول سال: به طور پیش فرض(۳۶۶) بر روز ۲۹ ماه فوریه هر چهار سال قرار دارد و باید داده های مشاهده ای استفاده شود. جایگزین های برای شماره های مختلف از روز در داده های GCM  وجود دارد. به عنوان مثال، CGCM2  و CSIRO
۳۶۵  روز کامل و نه سال کبیسه دارند,

در حالی که HadCM2  و HadCM3  سالهای مدل متشکل از ۳۶۰  روز دارند.  عدم تنظیم صحیح این پارامتر می تواند به خطاهای سیستم منجر شود

شروع استاندارد داده/ پایان استاندارد داده:

به طور پیش فرض شروع و پایان تاریخ داده های ورودی تعیین شده است. این تاریخ در سراسر بهره برداری از SDSM  ظاهر می شود، اما ممکن است از هر صفحه نمایش به روز شود.

آستانه رویداد:

برای برخی از متغیرها مشخص کردن یک آستانه رویداد لازم است. به عنوان مثال، هنگامی که مدل های بارش روزانه اندازه گیری و کالیبراسیون می شوند، پارامتر ممکن است به  ۰/۳ میلی متر روز به روز به عنوان ی بارانی خشک مشخص میکنند

شناسه داده ها:

این سری کد به تمام داده های ورودی  اختصاص داده شده است. هر گاه SDSM  با این کد مواجه گردد ارزش ان نادیده گرفته خواهد شد.

شماره تصادفی داده ها

اطمینان می دهد که توالی تصادفی تولید شده توسط آب و هوا مولد (بخش۷ )  ایجاد سناریو (بخش ۱۱) متفاوت است
هر بار که مدل اجرا شده است.

30000 تومان – خرید
درباره این محصول نظر دهید !