مقاله مقایسه و ارزیابی GCM های چندگانه، ریزمقیاس نمایی آماری و روشهای هیدرولوژیکی در مطالعه اثرات تغییر اقلیم بر روانابها (2012 الزویر)

1-مقدمه

2.حوزه های مطالعاتی و داده ها

2.1 . حوزه مطالعاتی

2.2. داده ها

3. روشهای زیرمقیاس نمایی آماری و مدلهای هیدرولوژیکی

3.1. روشهای ریزمقیاس نمایی آماری

3.1.1. ماشین برداری با تکیه گاه روان SSVM:

3.1.2. مدل زیرمقیاس نمایی آماری (SDSM)

3.1.3. روشهای آماری ارزیابی ریزمقیاس نمایی آماری

3.2 مدلهای هیدرولوژیکی

3.2.1. مدل Xin-anjiang

3.2.2. مدل HBV

3.2.3. ارزیابی معیارهایی برای مدلهای هیدرولوژیکی

4. نتایج

4.1. ثبت SSVM و SDSM

4.2. کالیبراسیون و بهینه سازی مدلهای هیدرولوژیکی

5. ارزیابی عدم قطعیت GCMها ، روشهای ریزمقیاس نمایی و مدلهای هیدرولوژیکی در مطالعه بستر رودخانه

5.1. ارزیابی روشهای ریزمقیاس نمایی مختلف با استفاده از مدلهای هیدرولوژیکی یکسان و داده های NCEP/NCAR

5.2. ارزیابی مدلهای هیدرولوژیکی مختلف با سناریوها و روشهای ریزمقیاس نمایی یکسان

5.3. ارزیابی GCM ها و سناریوهایی با مدلهای هیدرولوژیکی و روشهای ریزمقیاس نمایی یکسان

5.4. مقایسه روشهای آماری ارزیابی بارش براساس عملکرد شبیه سازیهای بارش

6. نتیجه گیری

In this study a rigorous evaluation and comparison of the difference in water balance simulations resulted from using different downscaling techniques, GCMs and hydrological models is performed in upper Hanjiang basin in China. The study consists of the following steps: (1) the NCEP/NCAR reanalysis data for the period 1961–2000 are used to calibrate and validate the statistical downscaling techniques, i.e. SSVM (Smooth Support Vector Machine) and SDSM (Statistical Downscaling Model); (2) the A2 emission scenarios from CGCM3 and HadCM3 for the same period are used as input to the statistical downscaling models; and (3) the downscaled local scale climate scenarios are then used as the input to the Xin-anjiang and HBV hydrological models. The results show that: (1) for the same GCM, the simulated runoffs vary greatly when using rainfall provided by different statistical downscaling techniques as the input to the hydrological models; (2) although most widely used statistics in the literature for evaluation of statistical downscaling methods show SDSM has better performance than SSVM in downscaling rainfall except the Nash–Sutcliffe efficiency (NSC) and root mean square error-observations standard deviation ratio (RSR), the runoff simulation efficiency driven by SDSM rainfall is far lower than by SSVM; and (3) by comparing different statistics in rainfall and runoff simulation, it can be concluded that NSC and RSR between simulated and observed rainfall can be used as key statistics to evaluate the statistical downscaling models’ performance when downscaled precipitation scenarios are used as input for hydrological models.

در این مقاله، ارزیابی و مقایسه دقیقی برروی اختلاف بین روشهای شبیه سازی سطح ایستایی آب صورت می گیرد که این اختلاف ناشی از کاربرد تکنیک های ریز مقیاس نمایی آماری مختلف ، GCM ها(مدلهای اقلیمی جهانی) و روشهای هیدرولوژیکی در ناحیه بالادست رودخانه Hanjiang چین میباشد. مطالعه موردنظر شامل این مراحل میباشد: 1) آنالیز مجدد داده های NCEP/NCAR در دوره زمانی 1961 تا 2000میلادی که برای کالیبره کردن و اعتبارسنجی تکنیکهای ریز مقیاس نمایی آماری مثل روش SSVM (ماشین برداری با تکیه گاه روان) و روش SDSM (مدل ریز مقیاس نمایی آماری) بکار میروند. 2) سناریوهای انتشار A2 مشتق شده از سناریوهای CGCM3 و HadCM3 در همین دوره زمانی 1961 تا 2000 ، که بعنوان داده ورودی در مدلهای ریزمقیاس نمایی آماری استفاده میشوند. 3) سناریوهای اقلیمی با مقیاس منطقه ای ریزمقیاس شده که بعنوان داده ورودی در مدلهای هیدرولوژیکی Xin-anjiang و HBV بکار میروند. نتایج نشان میدهند که (1) در یک GCM مشابه، روانابهای شبیه سازی شده، زمانیکه بارش توسط تکنیکهای ریزمقیاس نمایی متفاوتی که داده های ورودی مدلهای هیدرولوژیکی را تامین میکنند، شبیه سازی می گردد، بسیار متغیر میباشند. (2) با این وجود اغلب روشهای آماری بکار رفته در بیشتر مقاله ها جهت ارزیابی روشهای ریز مقیاس نمایی آماری، نشان میدهند که SDSM نسبت به SSVM در بارش ریزمقیاس نمایی بجز در راندمان (NSC) و نسبت انحراف استاندارد خطای عینی و واقعی مجذور میانگین (RSR)، عملکرد بهتری دارد و راندمان شبیه سازی رواناب بدست آمده از بارش SDSM از راندمان بدست آمده از بارش با مدل SSVM بسیار کمتر میباشد. (3) با مقایسه روشهای آماری مختلف در شبیه سازی رواناب و بارش، میتوان نتیجه گرفت که اختلاف داده های NSC و RSR بین بارش واقعی و بارش شبیه سازی شده، وقتی سناریوهای بارش ریزمقیاس نمایی بعنوان داده ورودی مدلهای هیدرولوژیکی استفاده میشوند، یک روش آماری کلیدی برای ارزیابی اجرای مدلهای ریزمقیاس نمایی آماری محسوب میشوند.