ارزيابي روش هاي مختلف و پيشنهاد يك روش جديد براي بازسازي خلاءهاي آماري داده هاي دماي كمينه روزانه در ايستگاه هاي ارتفاعي ايران

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

داده هاي دماي حداقل روزانه مهم ترين نياز پژوهش هاي اقليمي و همچنين مطالعات تاثير تغيير اقليم در زمينه سرماهاي زودرس پاييزه، ديررس بهاره، طول مدت سرما، ارزيابي پتانسيل توليد محصولات باغي و زراعي وابسته به سرمازدگي و نهايتاً امنيت غذايي است. از نگاه ديگر، به رغم آنكه ايستگاه هاي مناطق مرتفع نقش مهمي در صحت برآورد شيب ارتفاعي آماره هاي دما و ميداني كردن آنها دارند، تعدادشان در ايران بسيار معدود بوده و اغلب آنها از نظر آماري واجد گسستگي هاي زيادي هستند و بازسازي آنها براي مطالعاتي كه مبتني بر دوره هاي آماري همگن طولاني هستند، امري ضروري محسوب مي شود. هدف از اين بررسي، مقايسه روش هاي مختلف بازسازي داده هاي روزانه دماي كمينه در ايستگاه هاي مرتفع و معرفي برترين روش ها براي ترميم و گسترش سري هاي زماني مربوطه در دوره اقليمي همزمان با ايستگاه هاي قديمي ايران است. براي اين منظور، 12 ايستگاه كه ارتفاعي بيشتر از 1900 متر داشتند، انتخاب و از دوره هاي موجود آماري آنها 500 دماي كمينه روزانه به طور تصادفي حذف و همان داده ها با استفاده از 31 روش كلاسيك موجود و يك روش پيشنهادي جديد مبتني بر توزيع تجمعي احتمالات وقوع دماهاي كمينه بازسازي گرديد و اعتبار هريك از آنها با استفاده از آماره مجذور مربعات خطا و همچنين بررسي حدود خطا در سطح اطمينان 90 و 95% بطور كمي ارزيابي شد. بر اساس نتايج به دست آمده سه روش تحليل مولفه هاي اصلي، روش پيشنهادي مبتني بر تابع توزيع تجمعي احتمالات و روش شبكه عصبي مصنوعي با حدود اعتماد 95% خطاي بازسازي به ترتيب ±2.0، ±2.2 و ± 3.1 °c درجه نسبت به ساير روش هاي بازسازي ارجحيت دارند. اين بررسي منجر به تكميل سري آماري دماي كمينه روزانه اين ايستگاه ها در دوره 2010-1965 گرديد كه در مطالعات تغيير اقليم و ريسك سرماي زودرس و ديررس و همچنين تغييرات تقويم زراعي در اثر پديده تغيير اقليم مورد استفاده قرار مي گيرند.

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.