ارزیابی روش‌های مختلف و پیشنهاد یک روش جدید برای بازسازی خلاءهای آماری داده‌های دمای کمینه روزانه در ایستگاه‌های ارتفاعی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری /دانشگاه تهران

2 استاد/دانشگاه تهران

3 دانشیار/دانشگاه تهران

چکیده

داده­های دمای حداقل روزانه مهم­ترین نیاز پژوهش­های اقلیمی و همچنین مطالعات تأثیر تغییر اقلیم در زمینه سرماهای زودرس پاییزه، دیررس بهاره، طول مدت سرما، ارزیابی پتانسیل تولید محصولات باغی و زراعی وابسته به سرمازدگی و نهایتاً امنیت غذایی است. از نگاه دیگر، به‌رغم آنکه ایستگاه­های مناطق مرتفع نقش مهمی در صحت برآورد شیب ارتفاعی آماره­های دما و میدانی کردن آنها دارند، تعدادشان در ایران بسیار معدود بوده و اغلب آنها از نظر آماری واجد گسستگی‌های زیادی هستند و بازسازی آنها برای مطالعاتی که مبتنی بر دوره­های آماری همگن طولانی هستند، امری ضروری محسوب می­شود. هدف از این بررسی، مقایسه روش­های مختلف بازسازی داده­های روزانه دمای کمینه در ایستگاه­های مرتفع و معرفی برترین روش­ها برای ترمیم و گسترش سری­های زمانی مربوطه در دوره اقلیمی همزمان با ایستگاه­های قدیمی ایران است. برای این منظور، 12 ایستگاه که ارتفاعی بیشتر از 1900 متر داشتند، انتخاب و از دوره‌های موجود آماری آنها 500 دمای کمینه روزانه به طور تصادفی حذف و همان داده­ها با استفاده از 31 روش کلاسیک موجود و یک روش پیشنهادی جدید مبتنی بر توزیع تجمعی احتمالات وقوع دماهای کمینه بازسازی گردید و اعتبار هریک از آنها با استفاده از آماره مجذور مربعات خطا و همچنین بررسی حدود خطا در سطح اطمینان 90 و 95% بطور کمی ارزیابی شد. بر اساس نتایج به دست آمده سه روش تحلیل مؤلفه‌های اصلی، روش پیشنهادی مبتنی بر تابع توزیع تجمعی احتمالات و روش شبکه عصبی مصنوعی با حدود اعتماد 95% خطای بازسازی به ترتیب 0/2±، 2/2± و 1/3± درجه نسبت به سایر روش­های بازسازی ارجحیت دارند. این بررسی منجر به تکمیل سری آماری دمای کمینه روزانه این ایستگاه­ها در دوره 2010-1965 گردید که در مطالعات تغییر اقلیم و ریسک سرمای زودرس و دیررس و همچنین تغییرات تقویم زراعی در اثر پدیده تغییر اقلیم مورد استفاده قرار می­گیرند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Different Missing Data Reconstruction Methods for Daily Minimum Temperature in Elevated Stations of Iran: Comparison with New Proposed Approach

نویسندگان [English]

  • Jaber Rahimi 1
  • ali Khalili 2
  • Javad Bazr afshan 3
1 Ph.D.Student/ Univ.ofTehran
2 Professor/University of Tehran
3 َAssociate Professor /Univ. of Tehran
چکیده [English]

Daily minimum air temperature data are greatly needed in climatic studies of first-fall and last-spring frosts, frost periods, evaluation and improvement of crop production potentials, and eventually their effects upon food security. Despite the fact that climate stations, set up at high elevations play important roles in accurate estimate of temperature parameter gradients, and on their mappings, the number of such established stations in Iran is limited, causing many gaps to be served in their data time series. Hence, reconstruction of temperature data for elevated stations is considered to be essential, especially for studies requiring long-term homogeneous data items. This study was aimed at making a comparison of the different methods of readjustment of the daily minimum temperature data (obtained from highly elevated stations) and to determine the most suitable method for readjusting and lengthening of their record periods. To follow the purpose, a number of 12 stations at elevations exceeding 1900 m were selected. A number of 500 randomly sampled (minimum daily temperature) data were taken and reconstructed through 31 classic methods, and as well, through a new proposed approach, based on Cumulative Distribution Function (CDF) of minimum temperature data. Accuracies of these methods were tested using RMSE within 90 and 95 % of confidence interval of errors. Results revealed that Principle Component Analysis, proposed method based on CDF, and Artificial Neural Network stood in priority for reconstruction of daily minimum temperature data, with 95% of confidence intervals, reconstructed error of ±2.0, ±2.2 and ± 3.1 °c, respectively. This study led to completion of daily minimum temperature data series of highly elevated stations for the period of 1965-2010. This can be employed in climate change studies and as well in first-fall vs. last-spring frost risks, and reform of farming calendar depending upon climate change.

کلیدواژه‌ها [English]

  • Reconstruction of Daily Temperature
  • Elevated Meteorological Stations
  • Temperature Estimation Error
  • Iran
Ashraf, M., Loftis, J. C., & Hubbard, K. G. (1997). Application of geostatistics to evaluate partial weather station networks. Agricultural and forest meteorology84(3), 255-271.
Carrega, P. (1995). A method for the reconstruction of mountain air temperatures with automatic cartographic applications. Theoretical and applied climatology52(1-2), 69-84.
Coulibaly, P., & Evora, N. D. (2007). Comparison of neural network methods for infilling missing daily weather records. Journal of hydrology341(1), 27-41.
Demyanov, V., Kanevsky, M., Chernov, S., Savelieva, E., & Timonin, V. (1998). Neural network residual kriging application for climatic data. Journal of Geographic Information and Decision Analysis2(2), 215-232.
Di Piazza, A., Conti, F. L., Noto, L. V., Viola, F., & La Loggia, G. (2011). Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation13(3), 396-408.
Khalil, M., Panu, U. S., & Lennox, W. C. (2001). Groups and neural networks based streamflow data infilling procedures.  Journal of Hydrology241(3), 153-176.
Khalili A (1991) Integrated Water Plan of Iran, Jamab Consulting Engineering Co., The Ministry of Energy, Tehran, 111-122. (In Farsi)
Henn, B., Raleigh, M. S., Fisher, A., & Lundquist, J. D. (2013). A comparison of methods for filling gaps in hourly near-surface air temperature data. Journal of Hydrometeorology14(3), 929-945.
Khorshiddoust, A. M., Nassaji, Z. M., and Ghermez, C. B. (2012). Time Series Reconstruction of Daily Maximum and Minimum Temperature using Nearest Neighborhood and Artificial Neural Network Techniques (Case Study: West of Tehran Province). Geographical Space, 12 (38), 197-214. (In Farsi)
Kim, J. W., & Pachepsky, Y. A. (2010). Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT streamflow simulation. Journal of hydrology394(3), 305-314.
Mileva-Boshkoska, B., & Stankovski, M. (2007). Prediction of missing data for ozone concentrations using support vector machines and radial basis neural networks. Informatica31(4).
Mwale, F. D., Adeloye, A. J., & Rustum, R. (2012). Infilling of missing rainfall and streamflow data in the Shire River basin, Malawi–A self organizing map approach. Physics and Chemistry of the Earth, Parts A/B/C50, 34-43.
Teegavarapu, R. S., & Chandramouli, V. (2005). Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal of Hydrology312(1), 191-206.
Wagner, P. D., Fiener, P., Wilken, F., Kumar, S., & Schneider, K. (2012). Comparison and evaluation of spatial interpolation schemes for daily rainfall in data scarce regions. Journal of Hydrology464, 388-400.
Xia, Y., Fabian, P., Stohl, A., & Winterhalter, M. (1999). Forest climatology: estimation of missing values for Bavaria, Germany. Agricultural and Forest Meteorology96(1), 131-144.
Yozgatligil, C., Aslan, S., Iyigun, C., & Batmaz, I. (2013). Comparison of missing value imputation methods in time series: the case of Turkish meteorological data. Theoretical and applied climatology112(1-2), 143-167.
You, J., Hubbard, K. G., & Goddard, S. (2008). Comparison of methods for spatially estimating station temperatures in a quality control system. International Journal of Climatology28(6), 777-787.