دانلود ترجمه مقاله بررسی شرایط جوی با استفاده از زنجیره مارکوف مونت کارلو – مجله Royal Meteorological Society

فهرست مطالب:

چکیده
۱  مقدمه
۲  شیوه آماری
۱  ۲ توزیع نمایی
۲  ۲ فرمول زنجیره مارکو
۳  ۲ تست معناداری
۳  کاربرد
۱  ۳ مقایسه مدلهای آماری
۲  ۳ دوره های برگشت و احتمالات ثابت
۴  نتیجه گیری

بخشی از ترجمه:

مقدمه

رژیم باران سنجی متناظر با کاتالونیا از دیدگاههای مختلف اخیراً مورد مطالعه قرار گرفته است. یکی از آنها همبستگی  کوهشناسی ، مجاورت با دریای مدیترانه و مهمترین رنج های کوهستانی با مقادیر بارش فصلی و سالانه می باشد. یکی دیگر از جنبه های مهم، تغییرپذیری رژیم متناظر با رفتار مدیترانه ای می باشد. با توجه به اپیزودهای نامناسب، لنا توزیع فضایی و زمانی اپیزودهای بارش بیش از حد را مطالعه کرده و اخیراً روش مشابهی رفتار متناظر با اپیزودهای نهایی روزهای خشکی متوالی را ترسیم کرده است. از دیدگاه سیاست مدیریت منابع آب، مطالعه مشروح دوره های خشکسالی قطعاً ضروری می باشد، زیرا پیش بینی اپیزودهای نهایی روزهای خشکی متوالی به تنهایی کافی نمی باشد. عموماً دوره کمبود آب می تواند نتیجه توالی های خشکی ( نه الزاماً طول نهایی) بعد از دوره هایی با مقادیر بسیار متوسط بارش باشد. در نتیجه به یک سری ابزار آماری نیاز داریم که به ما اجازه می دهند تا ابعاد مهمی مثل دوره و مدت مورد انتظار اپیزود خشکی یا احتمال تعداد روزهای خشکی متوالی را مدلسازی نماییم. برای مطالعه حاضر، بر مدل آماری مطلوبی برای توصیف اولویت های رفتار خیسی خشکی هر گیج بر اساس پایگاه داده متشکل از رکوردهای ۲۴ ساعته از ۷۸ گیج باران سنجی متعلق به مترولوژی ملی  با متوسط ۱۳۹۰ اپیزود خشکی و ۳۴ سال رکورد، تاکید خواهیم نمود. شرایط تحمیل شده در مورد تداوم و استمرار زمانی رکوردها به اندازه مطالعه اخیر اپیزودهای خشکسالی نهایی سخت نیست، در این شرایط به مجموعه های سالانه کاملی بدون از هم گسستگی های زمانی نیاز داریم تا بدین طریق اطمینان حاصل کنیم که اپیزود نهایی آشکارشده درست بود. در نتیجه، تعداد گیج ها در حال حاضر کمی افزایش یافته و ناحیه مورد مطالعه دارای پوشش متراکم تری می باشد. شبکه باران سنجی و ویژگیهای کوهشناسی اصلی تعیین کننده رفتار بارش در شکل ۱ نشان داده شده اند.

بخشی از مقاله انگلیسی:

INTRODUCTION

The pluviometric regime corresponding to Catalonia (NE Spain) has been recently studied from severaldifferent viewpoints. One of them (Ferna´ndez Mills and Lana, 1991) is the correlation of orography,vicinity to the Mediterranean sea and to the most important mountainous ranges with annual andseasonal amounts of precipitation. Another important aspect is the variability of the regime, ascorresponds to Mediterranean behaviour (Periago et al., 1991; Burguen˜ o, 1991). With respect to extremeepisodes, Lana et al. (1995) have studied the spatial and temporal distribution of extreme rainfall episodesand, more recently, a similar methodology has depicted the behaviour corresponding to extreme episodesof consecutive dry days (Lana and Burguen˜ o, 1998).From the viewpoint of water resources management policy, a detailed study of drought periods isabsolutely necessary, as only forecasting extreme episodes of consecutive dry days is insufficient.Generally, a period of hydric deficit could be the result of dry sequences (not necessarily of extreme X. LANA AND A. BURGUEN0 Olength) following periods with a very moderate amount of precipitation. Consequently, we need a set ofstatistical tools that allow us to model aspects as important as the expected duration of a dry episode orthe probability of a consecutive number of dry days, among other aspects.For the present study, our attention will be focused on establishing a reasonable statistical model todescribe the properties of the dry–wet behaviour of each gauge, based on a database consisting of 24-hrecords from 78 pluviometric gauges belonging to the Instituto Nacional de Meteorologı´a, with an averageof 1390 dry episodes and 34 years of records.Conditions imposed about the temporal continuity of the records are not so strict as in the recent study(Lana and Burguen˜o, 1998) of extreme drought episodes, where we need complete annual series withouttemporal discontinuities to be sure that the detected extreme episode was true. Consequently, the numberof gauges is now slightly increased and the area studied is more densely covered. The pluviometricnetwork and the main orographic features that can condition the rainfall behaviour are shown in Figure1.Empiric dry spell lengths are a discrete variable due to data of 24-h rainfall amounts. Discrete modelssuch as the geometric distribution or the truncated negative binomial (De Arruda and Pinto, 1980) couldhave been used. Nevertheless, the use of a continuous distribution such as the exponential is not unusual(see for instance Burguen˜o et al., 1994). For this distribution, we define as a dry day, a 24-h periodrecording less than 0.1 mm. We will assess whether the fit between such a distribution and the empiricalprobability of a fixed number of consecutive dry days is good enough for 3 or more days. However, thediscrepancy for one or two dry days is remarkable, making it necessary to use another statistical modelsuch as Markov chains of first or second order. The Markov chains give us a more complete description of the dry behaviour related to a rain gauge.First of all, the probabilities computed with the Markov chains are compared with those deduced fromthe exponential distribution. A Kolmogorov-Smirnov test (Benjamin and Cornell, 1970) will be convenientto decide if the Markov chains offer more confident results. Secondly, numerical values quantifyingthe number of expected days to begin a new dry or wet period or the expected length of a dry cycle canbe obtained. Thirdly, if we define four states of the Markov chains, with one corresponding to a lack ofprecipitation and three more defining three rain amount levels, we will be able to compute the stationaryprobabilities for the transitions from one state to another, as well as the number of days (steps of theMarkov chain) to obtain this stationary probability. The first state corresponds to 24-h periods recordingless than 0.1 mm. The other three states of the Markov chains correspond to 24-h episodes recording from0.1 to less than 10 mm, from 10 to less than 50 mm and, finally, more than or equal to 50 mm,respectively. The first threshold value of 0.1 mm is commonly accepted to classify a day as dry or wet (seee.g. Moon et al., 1994). The other three threshold values, trying to characterize small, moderate andabundant amounts, have been empirically established according to the authors’ knowledge of thepluviometric regime of the country. Additional examples, where the empirical knowledge about the pluviometric regime of the target area is a relevant factor, can be found in Haan et al. (1976) and Gregoryet al. (1993) who use different numbers of states and threshold lengths studying Kentucky (US) and GreatBritain, respectively.Although the results concerning the exponential distribution and the Markov chains will be obtainedfor each pluviometric gauge of the network, the incidence of the orography and the vicinity to the Atlanticand Mediterranean seas can be satisfactorily analyzed by mapping these results for all the gauges.