توسعه مدل مولد اقليم براي حفظ همبستگي مكاني بين ايستگاه‌هاي مجاور

Developing a Weather Generator Model to Preserve Spatial Correlations between Neighboring Stations

با توجه به اهميت حفظ همبستگي مكاني بين ايستگاه‌هاي مجاور در بسياري از مطالعات حوزه منابع آب و كشاورزي در مقياس زماني روزانه، در اين مطالعه، يك مدل مولد اقليم با هدف شبيه سازي متغيرهاي هواشناسي در ايستگاه هاي مجاور با حفظ همبستگي مكاني بين ايستگاه ها توسعه يافت. اين مدل، براي بازتوليد سري وقوع بارش، از يك مدل ماركوف توسعه يافته استفاده مي كند كه مي تواند با دقت قابل قبول، همبستگي مكاني بين ايستگاه هاي مجاور را بازسازي نمايد. براي شبيه سازي مقدار بارش در روزهاي مرطوب و همچنين شبيه سازي ساير متغيرهاي هواشناسي، يك الگوريتم ناپارامتري پيشنهاد داده شد. عملكرد اين الگوريتم در بازتوليد ميانگين و انحراف استاندارد متغيرهاي هواشناسي، همبستگي و خودهمبستگي مرتبه يك روزانه و همبستگي مكاني بين ايستگاه هاي مجاور با استفاده از شاخص هاي آماري ضريب تعيين (R2)، مقادير استانداردشده ريشه ميانگين مربع خطاها (SAME) و ميانگين خطاي مطلق (SMAE) مورد ارزيابي قرار گرفت. نتايج نشان داد كه اين مدل، قادر است با دقت قابل قبول، ويژگي هاي آماري متغيرهاي هواشناسي تاريخي ايستگاه هاي مورد مطالعه را شبيه سازي نمايد. با اين حال، برآورد مدل از مقادير خودهمبستگي مرتبه يك متغيرها در اكثر موارد، نسبت به مقادير مشاهداتي، كمتر است. ضمناً، با تغيير پارامترهاي اين مدل، امكان شبيه‌سازي سناريوهاي تغييراقليم همزمان با حفظ همبستگي بين ايستگاه‌هاي مجاور فراهم خواهد بود.

Considering the importance of preserving spatial correlation between neighboring stations in many of the studies in the fields of agriculture and water resources on a daily time basis, in this research, a weather generator model (WG) was developed to simulate climatic variables in neighboring stations while preserving spatial correlations between these stations. This model uses an extended Markov model to generate precipitation occurrence series which is capable of simulating spatial correlations between neighboring stations with an acceptable performance. In order to simulate precipitation amounts on wet days and other climatic variables, a nonparametric algorithm was proposed. The performance of this algorithm was assessed in relation with the generation of daily mean and standard deviation, daily correlation and lag-1 autocorrelation of climatic variables and also spatial correlation between neighboring stations using Coefficient of Determination (R2), Standardized Root Mean Square Error (SRMSE) and Standardized Mean Absolute Error (SMAE) statistics. The results showed that this model was capable of reproducing statistical properties of historical time series with an acceptable accuracy, while the model underestimated the values of lag-1 autocorrelation coefficients. Moreover, climate change scenarios can be simulated by modifying model parameters while preserving spatial correlations between neighboring stations.