بررسی و مقایسه عملکرد دو مدل (ClimGen و LARS-WG) در شبیه‌سازی متغیرهای هواشناسی در شرایط مختلف اقلیمی ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری /هواشناسی کشاورزی، دانشگاه تهران، پردیس کشاورزی و منابع طبیعی، دانشکده مهندسی آب و خاک، کرج

2 استاد/ دانشگاه تهران، پردیس کشاورزی‌ومنابع‌طبیعی، دانشکده‌مهندسی‌آب وخاک، کرج

3 دانشیار/ دانشگاه تهران، پردیس کشاورزی و منابع طبیعی، دانشکده مهندسی آب و خاک، کرج.

4 دکترای /مهندسی عمران، وزارت نیرو، تهران.

5 دانشیار/ دانشگاه آزاد اسلامی واحد علوم تحقیقات، دانشکده علوم پایه، تهران.

چکیده

مدل‌های شبیه‌سازی تصادفی وضع هوا (مولد‌های وضع هوا) در مطالعات مختلفی از قبیل ارزیابی ریسک پدیده‌های حدی اقلیمی و هیدرولوژیک، مدیریت ریسک منابع آب و کشاورزی مورد استفاده قرار می‌گیرند. انجام این قبیل مطالعات، اغلب نیازمند دسترسی به سری درازمدت داده‌های هواشناسی می‌باشد. با توجه به اینکه در اکثر ایستگاههای هواشناسی، دسترسی به آمار درازمدت وضع هوا (به ویژه، داده‌های روزانه) امکانپذیر نیست، می‌توان از مولدهای وضع هوا برای تطویل سری زمانی عوامل هواشناسی استفاده نمود. هدف از طراحی مولدهای وضع‌ هوا، تولید داده‌هایی است که به لحاظ آماری مشابه داده‌های مشاهده شده باشند. در این مطالعه، دو مدل مشهور، ClimGen و LARS-WG، از نظر تولید داده‌های روزانه مجموع بارندگی، دمای حداقل و حداکثر هوا و تابش کلی خورشید در 15 نمونة اقلیمی مختلف کشور مورد بررسی قرار گرفت. برای این منظور، سه مرحله واسنجی، صحت‌سنجی و شبیه‌سازی مدل‌ها در ایستگاههای منتخب انجام و کارایی مدل‌ها از نظر شباهت مقادیر تولید شده با مقادیر مشاهده شده با استفاده از شاخص‌های خطا نظیر ریشه میانگین مربعات (RMSE) و ضریب تعیین (CD) ارزیابی گردید. همچنین برای مقایسه برخی مشخصه‌های داده‌های تولید شده و مشاهده شده برای مثال، طول دوره خشک و تر، توزیع فراوانی بارندگی و طول دوره یخبندان و گرمای شدید، از سه آزمون‌ آماری شامل t-ا‌ستیودنت، F و X2استفاده گردید. نتایج بدست آمده در محدوده اقلیمی نشان داد که LARS-WG در تولید داده‌های بارندگی و ClimGen در شبیه‌سازی دماهای حداکثر و حداقل نتایج مناسب‌تری عاید می‌سازد. با این وجود، هر دو مدل، موفقیت چندانی در شبیه‌سازی درازمدت داده‌های تابش خورشید نداشتند. 

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of the Performance of ClimGen and LARS-WG Models in Simulating the Weather Factors for Diverse Climates of Iran

نویسندگان [English]

  • J Bazrafshan 1
  • A Khalili 2
  • A Hoorfar 3
  • S Torabi 4
  • S Hajjam 5
1 Ph.D. Candidate, Irrigation and Reclamation Engineering Dept., Tehran University, Karaj, Iran
2 Professor, Irrigation and Reclamation Engineering Dept., Tehran University, Karaj, Iran
3 Associate Prof., Irrigation and Reclamation Engineering Dept., Tehran University, Karaj, Iran
4 Ph.D. in Civil Engineering, Ministry of Energy, Tehran, Iran
5 Associate Prof., Islamic Azad University, Tehran, Iran
چکیده [English]

The stochastic simulation models of weather factors (weather generators) are used in a wide range of studies including risk assessment of climatic and hydrological extreme events, water resources, and agricultural risk management. Such studies often need access to the long-term series of weather data which is not collected continuously in many meteorological stations in Iran. Due to this shortage of data (particularly, the daily data), stochastic weather generators can be used as an alternative for extending data series. These generators are used to produce the synthetic weather data which is statistically similar to the observed data. In this study, the two well-known weather generators, i.e., ClimGen and LARS-WG were evaluated in simulating the weather factors for fifteen climatic zones of the country. The weather factors include the daily total precipitation, the minimum and maximum air temperatures, and the total solar radiation. For this purpose, the process of generating synthetic weather data was divided into three distinct steps including model calibration, model validation, and long-term simulation of weather data. To evaluate the agreement between the observed and the generated data, two indices were used; Root Mean Square Error (RMSE) and Coefficient of Determination (CD). Moreover, the three statistical tests including t-student test, F test and X2 test were used to compare the various characteristics of the simulated and observed data such as the lengths of wet and dry series, the distribution of precipitation, and the lengths of hot and frost spells. The results showed that LARS-WG tends to match more closely to the observed precipitation data. The ClimGen performed better for the observed maximum and minimum air temperatures. Neither of the two weather generators succeeded in simulating total solar radiation

کلیدواژه‌ها [English]

  • Weather Generators
  • Model Comparison
  • Climatic Diversity
  • Iran

بابائیان، ا. و نجفی نیک، ز. (1385)، "بررسی تغییر اقلیم شمال شرق ایران در دوره 2010 تا 2039 میلادی". همایش پیش‌بینی عددی وضع هوا، 29 آذر 1385، تهران، صص 117-125.

Bristow, K.L. and Campbell, G.S. (1984), “On the relationship between incoming solar radiation and daily maximum and minimum temperature”, Agricultural and Forest Meteorology, 31, pp.159-166.

Castellvi, F. and Stöckle, C.O. (2001), “Comparing the performance of WGEN and ClimGen in the generation of temperature and solar radiation”, Transactions of the ASAE, 44(6), pp. 1683-1687.  

Castellvi, F., Stöckle, C.O., Mormeneo, I., and Villar J.M. (2002), “ Testing the performance of different processes to generate temperature and solar radiation: A case study at Lleida (Northeast Spain)”, Transactions of the ASAE, 45(3), pp. 571-580.  

Danuso, F. (2002), “Climak: a stochastic model for weather data generation”, Italian Journal of Agronomy, 6(1), pp. 57-71.

Fox, D.G. (1981), “Judging air quality model performance: a summary of the AMS workshop on dispersion models performance”, Bulletin of American Meteorological Society, 62, pp. 599-609.

Geng, S., Auburn, J.S., Brandstetter, E., and Li, B. (1988), A program to simulate meteorological variables: documentation for SIMMETEO, Agronomy Progress Rep 204, Department of Agronomy and Range Science, University of California, Davis, CA.

Hajjam, S., Yusefi, N. and Irannejad, P. (2006), “A blended model for estimating of missing precipitation data (Tehran-Mehrabad station)”, BIABAN (Desert Journal), 11(2), pp. 49-55.  

Hayhoe, H. N. (2000), “Improvements of stochastic weather data generators for diverse climates”, Climate Research, 14, pp. 75-87.

Johnson, G. L., Hanson, C. L., Hardegree, S. P. and Ballard, E. B. (1996), “Stochastic weather simulation: overview and analysis of two commonly used models”, Journal of Applied Meteorology, 35, pp. 1878-1896.

Jones, P. G. and Thornton, P.K. (2000), “MarkSim: Software to generate daily weather data for Latin America and Africa”, Agronomy Journal, 92, pp. 445-453.

Kuchar, L. (2004), “Using WGENK to generate synthetic daily weather data for modeling of agricultural processes”, Mathematics and Computers in Simulation, 65, pp. 69-75.

Loague, K. and Green, R.E. (1991), “Statistical and graphical methods for evaluating solute transport models: overview and application”, Journal of Contamination Hydrology, 7, pp. 51-73. 

Mavromatis, T. and Hansen, J.W. (2001), “Interannual variability characteristics and simulated crop response of four stochastic weather generators”, Agricultural and Forest Meteorology, 109, pp. 283-296.

McCaskill, M. R. (1990), TAMSIM-A program for preparing meteorological records for weather driven models, Trop. Agron. Tech. Memo. No. 65, CSIRO, Division of Tropical Crops and Pastures, Brisbane.

McCuen, R. H. (2002), Modeling hydrologic change: statistical methods, Lewis Publishers, Dept. of Civil and Environmental Engineering, University of Maryland, 433p.

Meinke, H., Carberry, P.S., McCaskill, M. R., Hills, M. A. and McLeod, I. (1995), “Evaluation of radiation and temperature data generators in the Australian tropics and sub-tropics using crop simulation models”, Agricultural and Forest Meteorology, 72, pp. 295-316.

Parlang, M.B. and Katz, R.W. (2000), “An extended version of the Richardson Model for simulating daily weather variables”, Journal of Applied Meteorology, 29, pp. 610-622.

Pickering, N.B., Hansen, J.W., Jones, J.W., Wells, C.M., Chan, V.K. and Godwin, D.C. (1994), “WeatherMan: A utility for managing and creating daily weather data”, Agronomy Journal, 86, pp. 332-337.

Racsko, P., Szeidl, L. and Semenov M. (1991), “A serial approach to local stochastic weather models”, Ecological Modelling, 57, pp. 27-41.

Richardson, C.W. (1981), “Stochastic simulation of daily precipitation, temperature, and solar radiation”, Water Resources Research, 17, pp. 182-190.

Richardson, C.W. and Wright, D.A. (1984), WGEN: a model for generating daily weather variables, Report, United States Department of Agriculture, Agriculture Research Service, ARS-8. 83p.

Semenov, M.A., Brooks, R.J., Barrow, E.M. and Richardson, C.W. (1998), “Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates”, Climate Research, 10, pp. 95-107.

Skiles, J.W. and Richardson, C.W. (1998), “A stochastic weather generation model for Alaska”, Ecological Modelling, 110, pp. 211-232.

Soltani, A. and Hoogenboom, G. (2003), “A statistical comparison of the stochastic weather generators WGEN and SIMMETEO”, Climate Research, 24, pp. 215-230.

Soltani, A., Latifi, N. and Nasiri, M. (2000), “Evaluation of WGEN for generating long term weather data for crop simulations”, Agricultural and Forest Meteorology, 102, pp. 1-12.

 

Stöckle, C.O., Campbell, G.S. and Nelson, R. (1999), ClimGen manual, Biological Systems Engineering Department, Washington State University, Pullman, WA, 28p.

Taulis, M.E. and Milke, M.W. (2005), “Estimation of WGEN weather generation parameters in arid climates”, Ecological Modelling, 184, pp. 177-191.

Wilks, D.S. (1999), “Interannual variability and extreme-value characteristics of several stochastic daily precipitation models”, Agricultural and Forest Meteorology, 93, pp. 153-169.