ترجمه مقاله مقایسه و ارزیابی GCM های چندگانه، ریزمقیاس نمایی آماری و روشهای هیدرولوژیکی

21 شهریور 1397 | 12:32

ترجمه مقاله مقایسه و ارزیابی GCM های چندگانه، ریزمقیاس نمایی آماری و روشهای هیدرولوژیکی
عنوان فارسی مقاله: مقایسه و ارزیابی GCM های چندگانه، ریزمقیاس نمایی آماری و روشهای هیدرولوژیکی در مطالعه اثرات تغییر اقلیم بر روانابها
عنوان انگلیسی مقاله: Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff
مجله/کنفرانس: Journal of Hydrology
رشته های تحصیلی مرتبط: جغرافیا
گرایش های تحصیلی مرتبط: آب و هوا شناسی، تغییرات آب و هوایی اقلیمی، مدیریت منابع آب
کلمات کلیدی فارسی: تغییر آب و هوا، مقیاس آماری، GCM، مدل های هیدرولوژیکی حوضچه Hanjiang، چين
کلمات کلیدی انگلیسی: Climate change; Hydrologic impacts; Uncertainty; Parameter uncertainty; Hydrologic model of large basin
نوع نگارش مقاله: پژوهشی - research
نمایه: scopus - master journals - JCR
DOI: doi.org/10.1016/j.jhydrol.2018.08.080
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنالی
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 3.727(2017)
شاخص H_index: 178
SJR: 1.832
شناسه ISSN: 0022-1694
فرمت مقاله انگلیسی: PDF
فرمت ترجمه فارسی: Word
تعداد صفحات مقاله انگلیسی: 10
تعداد صفحات ترجمه فارسی: 20
کد محصول: EM9249
فهرست انگلیسی مطالب
Introduction

Study area and data
-Study area
-Data

Statistical downscaling methods and hydrological models
-Statistical downscaling methods
-Hydrological models

Results
-The establishment of SSVM and SDSM
-Hydrological models’ calibration and parameter optimization

Evaluation of the uncertainty of the GCMs, downscaling methods and hydrological models in the study basin
-Evaluation of different downscaling methods with same hydrological models and NCEP/NCAR reanalysis data
-Evaluation of different hydrological models with same scenario and downscaling methods
-Evaluation of different GCMs and scenarios with same hydrological models and downscaling methods
-Comparison of rainfall evaluation statistics in terms of performance of runoff simulations

Conclusions

Acknowledgements

References
ترجمه فارسی فهرست مطالب
مقدمه

حوزه های مطالعاتی و داده ها
-حوزه مطالعاتی
-داده ها

روشهای زیرمقیاس نمایی آماری و مدلهای هیدرولوژیکی
-روشهای ریزمقیاس نمایی آماری
-مدلهای هیدرولوژیکی

نتایج
-ثبت SSVM و SDSM
-کالیبراسیون و بهینه سازی مدلهای هیدرولوژیکی

ارزیابی عدم قطعیت GCMها ، روشهای ریزمقیاس نمایی و مدلهای هیدرولوژیکی در مطالعه بستر رودخانه
-ارزیابی روشهای ریزمقیاس نمایی مختلف با استفاده از مدلهای هیدرولوژیکی یکسان و داده های NCEP/NCAR
-ارزیابی مدلهای هیدرولوژیکی مختلف با سناریوها و روشهای ریزمقیاس نمایی یکسان
-ارزیابی GCM ها و سناریوهایی با مدلهای هیدرولوژیکی و روشهای ریزمقیاس نمایی یکسان
-مقایسه روشهای آماری ارزیابی بارش براساس عملکرد شبیه سازیهای بارش

نتیجه گیری
نمونه متن انگلیسی مقاله
Abstract

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.
نمونه متن فارسی مقاله
خلاصه

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.
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

جستجوی پیشرفته مشاهده خریدهای قبلی