ارزيابي عملكرد رهيافت توسعه يافته ي نزديكترين همسايه در شبيه سازي داده هاي هواشناسي روزانه

ارزيابي عملكرد رهيافت توسعه يافته ي نزديكترين همسايه در شبيه سازي داده هاي هواشناسي روزانه

مولدهاي هواشناسي (Weather Generators) با هدف تطويل سري اطلاعات انواع متغيرهاي وضع هوا اعم از بارش، دما و رطوبت نسبي، براي ارتقايِ فهم و درك از عملكرد هر سيستمي كه اقليم عامل تاثيرگذار بر آن باشد، توسعه يافته اند. الگوريتم هاي متفاوتي از اين مولدها در دو نوع كلي پارامتري و ناپارامتري تا به امروز ارايه شده اند. در اين مطالعه كارايي مولد ناپارامتري k نزديكترين همسايه با قابليت برونيابي داده ها در سري مصنوعي، براي چندين ايستگاه شامل ايستگاه‌هاي تهران، مشهد، قزوين، بوشهر، تبريز و رشت با آمار قابل قبول 45 سال(2005-1961) ارزيابي و براي بيان برتري نسبي اين روش ها نسبت به روش هاي پارامتري، نتايج آن با خروجي مولد پارامتري LARS-WG مقايسه شده است. نتايج حاصله نشان داد كه روش ناپارامتري به كارگرفته شده در اين مطالعه در شبيه سازي اكثر پارامترهاي سري مشاهده شده، نسبت به روش پارامتري مطمين تر عمل مي نمايد. با اين وجود در شبيه سازي طول دوره هاي درازمدت تر و خشك، مولد LARS-WG بهتر عمل مي كند كه البته اختلاف اين دو مولد ناچيز مي باشد.

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.