كارايي چند روش متفاوت ريزمقياس‌سازي دما

Performance of three different temperatue temporal downscaling methods

تحليل مناسب پديده‌ها نيازمند اندازه‏ گيري ‏هاي كافي تمامي پارامترهاي مؤثر با پراكنش مكاني و زماني مناسب مي ‏باشد؛ اما با توجه به دشوار و پرهزينه ‏بودن دست‏يابي به كليه اطلاعات پارامترهاي مؤثر، ريزمقياس‏ سازي زماني و/يا مكاني پارامترها ضروري است. ريزمقياس‏ سازي، فرآيند توليد داده مورد نياز از داده موجود و در دسترس مي‏ باشد. روش‌هاي متفاوتي براي ريزمقياس‌سازي داده ‏ها با كاربردهاي مختلف توسط پژوهش‏گران پيشنهاد شده است، اما پژوهش‏ هاي بسيار اندكي به مقايسه روش‏ هاي مختلف پرداخته است. در اين مقاله كارايي سه روش مختلف شامل فركتال خودمتشابه، فركتال خودمتشابه قطع ه‏اي و رگرسيون تناوبي مورد مقايسه قرار گرفته است. سري زماني دماي روزانه ايستگاه سينوپتيك مشهد براي سال ‏هاي 1992 تا 2009 درنظر گرفته شد. در ابتدا براي دماي روزانه مدل‎سازي شد و سپس نتايج به مقياس زماني سهساعتي ريزمقياس و با داده ‏هاي اندازه‏ گيري شده مقايسه گرديد. نتايج نشان دادند كه با توجه به معيارهاي ارزيابي ريشه ميانگين مربعات خطا و نيز معيار اطلاعاتي آكائيك، فركتال خودمتشابه با اختلافي ناچيز نسبت به دو روش ديگر ريزمقياس‏ سازي را با دقت مناسب‎تري انجام داده است.

Sufficient measurements of effective parameters with suitable temporal and spatial distributions for all phenomena are needed. However, providing the data and informations are difficult and costly. So, temporal and/or spatial downscaling is of prime importance. By downscaling, one can generate data from available ones. There are diffent downscaling methods in literature but they are not compared with each other yet. In this research, the performance of three different downscaling methods of self similar fractal, piecewise self similar fractal, and periodic regression are compared. Threehour temperature data of Mashhad synoptic station were considered for 19922009 period. Modeling was done for daily data and was downscaled to threehour perid, the results were compared with measured data. Similar fractal method was superior over the other two methods, based on two criteria of Root Mean Square Error, and Akaike Information Criteria.