عنوان

Impacts of Large Scale Climate Drivers on Precipitation in Pakistan

T26260

انگلیسی

Impacts of Large Scale Climate Drivers on Precipitation in Pakistan

Dissertation

Sapna

Planning and Environmental Sciences

1400

192p.

cd

Ph.D.

Climatology

1400/12/18

As Pakistan is exposed to severe droughts and floods, monthly precipitation prediction is crucial for the management of water resources, production of food and mitigation of the associated risks. Several large scale climate drivers (LSCDs) are known for their impacts on precipitation in different parts of the world but studies in Pakistan are limited in their approaches; firstly, they are missing the wide variety of LSCDs, secondly, none of the studies took into account the time extent (lagged association) in which the LSCDs effect the prediction of monthly precipitation and finally, limited work is done on the monthly prediction of precipitation using non-linear techniques while making use of LSCDs. The main focus of this study is to explore the monthly precipitation variation on district level over Pakistan, identify the LSCDs and improve the forecast skill of monthly precipitation by developing the non-linear models for Pakistan using the 12 months lagged LSCDs. This study was divided into three parts. In the first part, coefficient of variation was employed to identify the regions with larger variations in precipitation and Statistical Downscaling Model (SDSM) was applied to identify the significant LSCDs in different regions and estimate the future variations. The identified larger precipitation variation regions with associated significant LSCDs were considered further in detailed studies (second and third part) by taking the lagged association and using the Principal Component Analysis (PCA), Artificial Neural Network (ANN) and Bayesian Regularization Neural Network (BRNN). Principal components from PCA were used in ANN and BRNN models. ANN and BRNN models were chosen due to their capability of finding the complex non-linear associations between the input and output parameters. ANN and BRNN have been rarely used in precipitation prediction in Pakistan in conjunction with the use of LSCDs. In order to compare the prediction results of ANN and BRNN models with those of linear models, Multiple Linear Regression (MLR) models were developed. To the best of author’s knowledge, this research is the first study of its kind. Pakistan’s climate is highly influenced by the LSCDs. The LSCDs taking place in the Pacific Ocean such as El Nino Southern Oscillation (ENSO), Quasi-Biennial Oscillation (QBO), sea surface temperature, latent and sensible heat fluxes over land, and NCEP/NCAR 26 predictors were taken into account. The results of the first part showed highest monthly precipitation variations in the southern Pakistan districts (Sindh and Balochistan), maximum in Sindh province with 5.09 value of coefficient of variation during December while lowest (0.37) in northern Pakistan during April. In all months, the southern Pakistan districts manifested highest variations in precipitation sometimes in some months in Sindh province while sometimes in Balochistan province. The identified influential large scale climate drivers using Statistical Downscaling Model were; in Khyber Pakhtunkhwa (surface specific humidity, 850hpa geopotential height, surface meridional velocity, 500hpa zonal velocity, mean sea level pressure, and 500hpa vorticity), Punjab (surface specific humidity, mean temperature at 2m, 850hpa geopotential height, surface meridional velocity, 500hpa geopotential height, surface divergence and mean sea level pressure), Sindh (surface specific humidity and 500hpa zonal velocity), Balochistan (surface specific humidity, 500hpa and 850hpa geopotential heights) and Azad Kashmir (500hpa vorticity and 500hpa geopotential height). The SDSM model downscaled results in 2050s and 2080s, northwest Pakistan (Khyber Pakhtunkhwa) showed increase of precipitation in February, June, July and November while northeast (Azad Kashmir) showed decline in April, May, and September to November in 2050s with a slight change in 2080s. Northern part manifested increase in January to April, and November to December while Northeast (Punjab) in July, August and November. Southern part (Sindh) showed increase in June to August and Balochistan indicated decline in March, June, November, and December in 2050s while in 2080s during March, May, and December. The identified highest variable regions (Sindh and Balochistan provinces) in terms of precipitation were considered further in detailed studies.In second and third part, the cross-correlations analysis revealed that the most significant LSCDs were surface zonal velocity (SU), 500hpa zonal velocity (U500), 2m air temperature (T2M), sea surface temperature (SST), sensible heat flux over land (SHFOL), latent heat flux over land (LHFOL), surface specific humidity (SSH), and 850hpa geopotential height (H850) in Sindh region while in Balochistan region, they were SSH, SST, LHFOL, SHFOL, T2M, U500, Nino-3.4, and Nino-4. Among the developed models, the ones that did not violate the limits of statistical significance and multicollinearity and had lower errors were selected. The results manifested that MR models performed better than MR-PC but they were not capable of predicting the extreme conditions of precipitation. In case of the ANN and BRNN models, all districts RMSE and MAE values were relatively low. The higher values of correlation coefficient of ANN models manifested their capability of finding the pattern and trend of the GLDAS precipitation. BRNN models were at lower side in Balochistan region than the ANN models with higher values of correlation coefficient and coefficient of determination (R2). After calibration and validation of the models, in order to assess the generalization capability of the constructed ANN and BRNN models, TRMM dataset was used over Sindh and Balochistan province. Both models simulated TRMM data well. In the final step, the results of developed ANN and BRNN models were compared with the predictions of regression models. The results revealed that both models are better in terms of error criteria and are superior in terms of trend criteria and are the promising tools in southern parts of Pakistan. In summary, this research showed the regions with highest variations in precipitation, identified the significant LSCDs and predicted the monthly precipitation by revealing the potential of artificial intelligence approaches in Pakistan.

از آنجایی که پاکستان در معرض خشکسالی‌ها و سیل‌های شدید قرار دارد، پیش‌بینی بارش ماهانه برای مدیریت منابع آب، تولید غذا و کاهش خطرات مرتبط بسیار مهم است. چندین محرک آب و هوایی در مقیاس بزرگ (LSCD) به دلیل تأثیراتشان بر بارش در نقاط مختلف جهان شناخته شده اند، اما مطالعات در این زمینه در پاکستان محدود است. این مطالعات طیف گسترده ای از LSCD ها را بررسی نکرده اند، همچنین بازه تاخیری را که در آن LSCD ها بر پیش بینی بارش ماهانه تأثیر می گذارند، در نظر نگرفته اند و در نهایت، کار محدودی روی پیش بینی ماهانه بارش انجام شده است. تمرکز اصلی این مطالعه بررسی تغییرات بارندگی ماهانه در سطح ناحیه در پاکستان، شناسایی LSCD و بهبود مهارت پیش‌بینی بارش ماهانه با توسعه مدل‌های غیرخطی برای پاکستان با استفاده از LSCDهای با تاخیر 12 ماهه است. این مطالعه به سه بخش تقسیم شد. در بخش اول، از ضریب تغییرات برای شناسایی مناطق با تغییرات بیشتر در بارش استفاده شد و از مدل کاهش مقیاس آماری (SDSM) برای شناسایی LSCD های قابل توجه در مناطق مختلف و برآورد تغییرات آتی استفاده شد. نواحی تغییرات بارندگی بزرگتر با LSCDهای معنی¬دار، با در نظر گرفتن ارتباط تاخیری و با استفاده از تجزیه و تحلیل مؤلفه اصلی (PCA)، شبکه عصبی مصنوعی (ANN) و شبکه عصبی منظم¬شده بیزین (BRNN) در مطالعات دقیق (بخش دوم و سوم) بیشتر در نظر گرفته شدند. اجزای اصلی PCA در مدل‌های ANN و BRNN استفاده شد. مدل‌های ANN و BRNN به دلیل توانایی آنها در یافتن ارتباطات غیرخطی پیچیده بین پارامترهای ورودی و خروجی انتخاب شدند. ANN و BRNN به ندرت در پیش بینی بارش در پاکستان همراه با استفاده از LSCD استفاده شده اند. به منظور مقایسه نتایج پیش‌بینی مدل‌های ANN و BRNN با مدل‌های خطی، مدل‌های رگرسیون خطی چندگانه (MLR) توسعه یافتند. با توجه به اطلاعات نویسنده، این تحقیق اولین مطالعه در این زمینه است. آب و هوای پاکستان به شدت تحت تأثیر LSCD ها قرار دارد. LSCD هایی که در اقیانوس آرام رخ می¬دهند مانند نوسان جنوبی ال¬نینو (ENSO) ، نوسان شبه¬دو¬سالانه (QBO) ، دمای سطح دریا، شار گرمای نهان و محسوس بر روی خشکی، و پیش بینی کننده های NCEP/NCAR 26 در این مطالعه در نظر گرفته شدند. نتایج بخش اول بیشترین تغییرات ماهانه را در نواحی جنوب پاکستان (سند و بلوچستان)، نشان داد که بیشترین مقدار در استان سند با ضریب تغییرات 5.09 در ماه دسامبر و کمترین (0.37) در شمال پاکستان در ماه آوریل بود. در تمام ماه‌ها، مناطق جنوبی پاکستان بیشترین تغییرات بارندگی را گاهی در برخی ماه‌ها در استان سند و گاهی در استان بلوچستان نشان می‌دهند. عوامل بزرگ¬مقیاس موثر بر اقلیم که با استفاده از مدل کاهش مقیاس آماری در پاکستان شناسایی شد عبارتند از: در خیبر پختونخوا (رطوبت ویژه سطح، ارتفاع ژئوپتانسیل 850هکتوپاسکال، سرعت نصف النهاری، سرعت 500 هکتوپاسکال ، فشار سطح دریا و چرخندگی سطح 500 هکتوپاسکال)، پنجاب (رطوبت ویژه سطح، میانگین دما در ارتفاع متوسط، ارتفاع ژئوپتیانسیل در 850 هکتوپاسکال ، ارتفاع ژئوپتانسیل500 هکتوپاسکال ، واگرایی سطحی و فشار متوسط سطح دریا)، سند (رطوبت ویژه سطح و سرعت مداری 500 هکتوپاسکال)، بلوچستان (رطوبت ویژه سطح، ارتفاعات ژئوپتانسیل 500 و 850 هکتوپاسکال) و کشمیر آزاد (چرخندگی500 هکتوپاسکال و ارتفاع ژئوپتانسیل 500 هکتوپاسکال). نتایج ریزمقیاس نمایی آماری مدل SDSM، برای شمال غربی پاکستان (خیبر پختونخوا) افزایش بارندگی را در فوریه، ژوئن، ژوئیه و نوامبر نشان داد، در حالی که شمال شرق (کشمیر آزاد) در آوریل، می، و سپتامبر تا نوامبر در سال 2050 با روند ملایم، کاهش بارندگی را نشان داد. تغییرات در بخش شمالی در دهه 2080 در ژانویه تا آوریل و نوامبر تا دسامبر افزایش یافت در حالی که شمال شرقی (پنجاب) در جولای، آگوست و نوامبر افزایش یافت. بخش جنوبی (سند) در ماه های ژوئن تا آگوست افزایش نشان داد و بارش بلوچستان در ماه های مارس، ژوئن، نوامبر و دسامبر در سال 2050 و در دهه 2080 در ماه های مارس، می و دسامبر کاهی بود. بالاترین مناطق متغیر شناسایی شده (استان های سند و بلوچستان) از نظر بارندگی در مطالعات دقیق بیشتر مورد توجه قرار گرفتند. در بخش دوم و سوم، تجزیه و تحلیل همبستگی متقابل نشان داد که مهم‌ترین LSCDها عبارت‌اند از: سرعت مداری سطحی (SU)، سرعت مداری 500هکتوپاسکال U)500)، دمای هوا در ارتفاع 2 متری (T2M)، دمای سطح دریا (SST)، شار حرارتی محسوس بر روی زمین (SHFOL)، شار گرمای نهان بر روی زمین (LHFOL)، رطوبت ویژه سطح (SSH) و ارتفاع ژئوپتانسیل850 هکتوپاسکال در منطقه سند، در حالی که در منطقه بلوچستان، محرک¬ها عبارت بودند از:SSH، SST، LHFOL، SHFOL، T2M، U500، Nino-3.4 و Nino-4. از بین مدل‌های توسعه‌یافته، مدل‌هایی انتخاب شدند که محدودیت‌های آماری معنی‌داری و چند خطی بودن را نقض نکرده و دارای خطای کمتری بودند. نتایج نشان داد که مدل‌های MR بهتر از MR-PC عمل می‌کنند اما قادر به پیش‌بینی شرایط بارندگی شدید نیستند. در مورد مدل‌های ANN و BRNN، مقادیر RMSE و MAE همه مناطق نسبتاً پایین بودند. مقادیر بالاتر ضریب همبستگی مدل‌های شبکه عصبی مصنوعی، توانایی آن‌ها را در یافتن الگو و روند بارش GLDAS نشان می‌دهد. مدل‌های BRNN در منطقه بلوچستان نسبت به مدل‌های ANN با مقادیر بالای ضریب همبستگی و مقادیر پایین ضریب تعیین (R2) بودند. پس از کالیبراسیون و اعتبارسنجی مدل‌ها، به منظور ارزیابی قابلیت تعمیم مدل‌های ANN و BRNN ساخته‌شده، از مجموعه داده‌های TRMM در استان سند و بلوچستان استفاده شد. هر دو مدل داده های TRMM را به خوبی شبیه سازی کردند. در مرحله نهایی، نتایج مدل‌های ANN و BRNN توسعه‌یافته با پیش‌بینی‌های مدل‌های رگرسیونی مقایسه شد. نتایج نشان داد که هر دو مدل از نظر معیارهای خطا و روند برتر هستند و ابزار امیدوارکننده‌ای در بخش‌های جنوبی پاکستان هستند. به طور خلاصه، این تحقیق مناطقی را با بیشترین تغییرات در بارش نشان داد، LSCD های قابل توجهی را شناسایی کرد و با آشکار کردن پتانسیل رویکردهای هوش مصنوعی در پاکستان، بارش ماهانه را پیش بینی کرد

مطالعه تاثیر محرکهای بزرگ مقیاس آب و هوایی بر بارش پاکستان

Precipitation variation, Large scale climate drivers, Statistical downscaling model, Cross Correlations, Artificial neural network, Bayesian regularization neural network, Multiple regression analysis, Pakistan

تنوع بارش، محرک های بزرگ مقیاس آب و هوایی، مدل ریزمقیاس نمایی آماری، همبستگی متقابل، شبکه عصبی مصنوعی، شبکه عصبی منظم شده بیزین، تحلیل رگرسیون چندگانه، پاکستان.

Sapna

Climatology

1400

Producer

Khorshiddoust,

Jahanbakhsh Asl,

Mohammad

Saeed

Thesis advisor

Thesis advisor

Tabriz

ایران

Central library of tabriz

20220608

دکتری پایاننامه GB288.S2 1400

Sapna

عبادی

e

TL

276903

a

Y