Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 30، شماره 4 - ( 1394 )
جلد 30 شماره 4 صفحات 115-101 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1394/5/18 | پذیرش: 1394/9/10 | انتشار: 1394/12/27
دریافت: 1394/5/18 | پذیرش: 1394/9/10 | انتشار: 1394/12/27
How to cite this article
Parviz L. Estimation of Maximum Air Temperature with Climatological and Statistical Approach. GeoRes 2016; 30 (4) :101-115
URL: http://georesearch.ir/article-1-89-fa.html
URL: http://georesearch.ir/article-1-89-fa.html
پرویز لاله. تخمین بیشینه دمای هوا با رویکرد اقلیمی و آماری. فصل‌نامه تحقیقات جغرافیایی. 1394; 30 (4) :101-115
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
چکیده (3622 مشاهده)
در سالهای اخیر تغییر اقلیم عامل موثری میباشد که تاثیرات مهمی در گسترش خشکسالی، تغییر الگوی کشت و تاثیرات منفی زیستمحیطی دارد. در این میان تخمین بیشینه دمای هوا در مطالعات اقلیمی، کشاورزی و مدیریت منابع آب دارای اهمیت چشم‌گیری است، بنابراین انتخاب رهیافت جامع جهت برآورد دمای هوا ضروری میباشد. استفاده از روشهای آماری (رگرسیونی) از گزینههای مطرح است که دو عامل در افزایش کارایی روشها تاثیر دارد: متغیرهای موثر در روش و نوع روش آماری. در این تحقیق، متغیرهای موثر در روش از دیدگاه اقلیمی مورد بررسی قرار گرفت و بررسی عامل دوم براساس مقایسه روشهای رگرسیونی کلاسیک و فازی با استفاده از اطلاعات برخی از ایستگاههای هواشناسی کشور ایران انجام گرفت. در اقلیمهای مختلف تاثیر متغیرهای هواشناسی بر بیشینه دمای هوا یکسان نیست و براساس ضریب تبیین محاسبه شده نوع متغیرهای هواشناسی حاکم بر اقلیم خشک و نیمهخشک دارای مشابهت زیادی هستند. از میان متغیرهای هواشناسی، میانگین دمای هوا در تمام اقلیمهای مورد مطالعه دارای بیشترین ضریب تبیین میباشد. در مورد نوع روش مورد استفاده، در ایستگاههای بندر انزلی - رامسر و سایر ایستگاهها به ترتیب رگرسیون فازی نامتقارن و رگرسیون فازی متقارن عملکرد بهتری دارد. براساس معیارهایی مانند خطای ریشه متوسط مربعات، رگرسیون فازی نسبت به رگرسیون کلاسیک از کارایی بالایی برخوردار است.
واژه‌های کلیدی:
فهرست منابع
1. بنی حبیب، محمدابراهیم؛ رحیمی‌خوب، علی؛ عربی، آذر. (1386). تخمین ماکزیمم دمای روزانه هوا با استفاده از شبکه عصبی مصنوعی و تصاویر ماهواره‌ای نوا (مطالعه موردی: حوزه آبریز دریاچه ارومیه). علوم و تکنولوژی محیط زیست، ش34 (3)، صص 202-185.
2. پرویز، لاله؛ خلقی، مجید؛ فاخری فرد، احمد. (1388). پیش بینی جریان سالانه رودخانه با استفاده از مدل خودهمبسته تجمعی میانگین متحرک و رگرسیون فازی. دانش کشاورزی دانشگاه تبریز، ش 1 (19)، صص 82-65.
3. توکلی، علیرضا؛ لیاقت، عبدالمجید؛ علیزاده، امین. (1392). توابع تولید برای برآورد عملکرد دانه گندم دیم در مناطق سرد و نیمه سرد استان لرستان. پژوهش آب در کشاورزی، ش27 (1)، صص17-1.
4. رحیمی‌خوب، علی؛ کوچک زاده، مهدی؛ شریفی، فروز؛ ولی سامانی، جمال؛ بهبهانی، محمودرضا. (1383). برآورد ماکزیمم دمای هوا با استفاده از تصاویر ماهواره نوا- مطالعه موردی حوزه آبریز دریاچه ارومیه، ش 6 (4)، صص 54- 45.
5. رحیمی‌خوب، علی؛ بهبهانی، محمودرضا؛ نظری فر، محمدهادی. (1386). پیش بینی بیشینه دمای هوای استان خوزستان براساس داده‌های ماهواره نوا و شبکه عصبی مصنوعی. علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، ش 11(42)، صص364-357.
6. سبزی پرور، علی اکبر؛ زارع، حمید؛ بیات، مریم. (1389). مقایسه یافته های مدل شبکه استنتاج تطبیقی عصبی-فازی با مدل های رگرسیونی به منظور برآورد دمای خاک در سه اقلیم متفاوت. آب و خاک (علوم و صنایع کشاورزی)، ش 24 (2)، صص 285- 274.
7. سبزی پرور، علی اکبر؛ طبری، حسین؛ آیینی، علی. (1389). برآورد میانگین روزانه دمای خاک در چند نمونه اقلیمی‌ایران با استفاده از داده‌های هواشناسی. علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، ش 14 (52)، صص 137- 125.
8. صلاحی، برومند؛ حسینی، اسعد؛ شایقی، حسین؛ سبحانی، بهروز.(1389). پیش بینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی. مطالعه موردی: شهرستان اردبیل. تحقیقات جغرافیایی، ش 25 (98)، صص 78- 57.
9. علیزاده، امین. (1380). اصول هیدرولوژی کاربردی، انتشارات آستان قدس رضوی.
10. کارآموز، محمد؛ عراقی نژاد، شهاب. (1384). هیدرولوژی پیشرفته، انتشارات دانشگاه صنعتی امیر کبیر.
11. کوره پزان، امین. (1384). اصول تئوری مجموعه های فازی و کاربردهای آن در مدلسازی مسایل مهندسی منابع آب. انتشارات جهاد دانشگاهی واحد صنعتی امیر کبیر.
12. Altindağ, İ. and Yapicipehlıvan, N. (2013). Modelling the meteorological effects on air temperature for Konya city in turkey: the approach of quantile regression and quantile regression neural network. Journal of Selçuk University Natural and Applied Science, 2(1),pp. 28- 43.
13. Chang, Y. and Ayyub, B. (2001). Fuzzy regression methods - a comparative assessment. Fuzzy Sets and Systems, 119,pp. 187-203.
14. Chen, K., Rys, M.J. and Lee, E.S. (2006). Modeling of thermal comfort in air conditioned rooms by fuzzy regression analysis. Mathematical and Computer Modeling, 43,pp. 809-819.
15. Sánchez, E. and Berzosa, A. (2005). Fuzzy reference model for daily outdoor air temperature. Actas del III Taller Nacional,pp. 271- 278.
16. Ibeh, G.F., Agbo, G.A., Anyigor, S. and Isikwue, B.C. (2012). Artificial neural network and empirical models for the correlation of annual average global solar radiation with maximum temperature at Uyo, Nigeria. Applied Science Research, 4 (3) ,pp. 1223- 1226.
17. Khalili, A., Rahimi H. and Aghashariatmadary. (2012). Validation of SHAW model in determination of maximum soil frost penetration depth in typical arid and semi-arid zones of Iran. Journal of Agricultural Science Technology, 14,pp. 1185-1192.
18. Massie, D.R. and Rose, M.A. (1997). Predicting daily maximum temperature using linear regression and Eta geopotential thickness forecasts. Weather and Forecasting, 12,pp. 799- 807.
19. Mitra, A.K. and Nath, S. (2007). Forecasting maximum temperature via fuzzy nearest neighbor model over Delhi. Applied and Computational Mathematics, 6(2) ,pp. 288-294.
20. 20-Rahimzadeh, F. and Nassaji Zavareh, M. Effects of adjustment for non-climatic discontinuities on determination of temperature trends and variability over Iran. International Journal of Climatology, 34,pp. 2079-2096.
21. Shrestha, A.B., Wake, C.P., Mayewski, P.A. and Dibb, J.E. (1999). Maximums temperature trends in the Himalaya and its vicinity: an analysis based on temperature records from Nepal for the period 1971- 94. Journal of Climate, 12,pp. 2775- 2786.
22. Sun, Y.J., Wang J.F., Zhang, R.H., Gillies, R.R., Xue, Y. and Bo, Y.C. (2005). Air temperature retrieval from remote sensing data based on thermodynamics. Theoretical and Applied Climatology, 80,pp. 37- 48.
23. Yen, K.K., Ghoshary, S. and Roig, G. (1999). A linear model using triangular fuzzy number coefficients. Fuzzy Sets and Systems, 106,pp. 167-177.
24. Zadeh, L.A. (1965). Fuzzy sets. Information and Control, 8,pp. 338-353.
ارسال پیام به نویسنده مسئول