ارزیابی عملکرد رهیافت توسعه یافته‌ی نزدیکترین همسایه در شبیه سازی داده های هواشناسی روزانه

نویسندگان

1 کارشناس ارشد، دانشگاه تهران

2 استادیار، دانشگاه تهران

چکیده

مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاءِ فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته‌اند. الگوریتم‌های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده‌اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده‌ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه‌های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل‌ قبول 45 سال(2005-1961) ارزیابی و برای بیان برتری نسبی این روش‌ها نسبت به روش‌های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته‌شده در این مطالعه در شبیه‌سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن‌تر عمل می‌نماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

An Evaluation of the Performance of an Advanced Approach of the K-Nearest Neighbour in Simulating the Daily Meteorological Data

نویسندگان [English]

  • Mahdi Ghamghami 1
  • Nozar Ghahreman 2
  • Shahab Araghinejad 2
1
2
چکیده [English]

Weather data generators (WGs) have been developed for an extension of time series of such weather variables as rainfall, temperature and relative humidity to provide better understanding of systems affected by climatic factors. Different algorithms have been applied in these generators, broadly divided into parametric & non-parametric ones. In this study, the performance of non-parametric generator of K-nearest neighbor (KNN) with the capability of extrapolating data, has been evaluated in six synoptic stations of Iran namely; Tehran, Qazvin, Mashhad, Bushehr, Tabriz and Rasht for the period of 1961-2005. Besides, some of the obtained results have been compared with parametric generator of LARS-WG to show the priority of this approach to parametric methods. The results revealed that in most cases the KNN approach presents a better performance in simulating the parameters of observed series; however, LARS-WG better performs in simulating length of wet and dry spells but with minor differences.

کلیدواژه‌ها [English]

  • .
  • Extrapolating
  • Nonparametric approach
  • Weather generator
  • Wet & dry spells