估计希腊山区气温的统计模型
Stelios Maniatis.1*,考斯塔斯Chronopoulos2, Aristidis Matsoukis1和Athanasios Kamoutsis.1
1雅典农业大学作物科学系,Iera Odos 75,希腊雅典11855。
2雅典农业大学Iera Odos 75生物技术系,希腊雅典11855。
通讯作者电子邮件:steman78@hotmail.com
DOI:http://dx.doi.org/10.12944/cwe.12.3.07
复制以下引用这篇文章:
manatis S, Chronopoulos K, Matsoukis A, Kamoutsis A.在希腊山区估算气温的统计模型。Curr World Environ 2017;12(3)。DOI:http://dx.doi.org/10.12944/cwe.12.3.07
复制以下内容以引用此URL:
manatis S, Chronopoulos K, Matsoukis A, Kamoutsis A.在希腊山区估算气温的统计模型。Curr World Environ 2017;12(3)。可以从://www.a-i-l-s-a.com/?p=1062
文章出版历史
收到: | 2017-11-29 |
---|---|
接受: | 2017-12-23 |
介绍
山区(MAs)为人类和动物消费以及水力发电提供了主要的水源供应,并可能包含有宝贵的矿产资源1.这些领域可能被认为是最佳的娱乐活动,为游客提供各种各样的活动,是最喜欢的旅游目的地2.尽管MAS重要性和其占地球陆地面积的20%的事实,但他们的气候和天气状况尚未得到充分的探索1.
气温(T)是山地气候最重要的决定因素1、3但遗憾的是,由于覆盖山区和山区的现有气象站(MS)数量少,空间分布不充分,山区T数据往往很难或无法直接获取4,特别是在高海拔地区。因此,在许多情况下,有必要根据低梯度的T数据来估计高梯度的T数据。
为了进行上述估计,许多研究人员开发了各种各样的技术。其中,线性回归分析已被建设性地用于推断MAs中的T5.此外,近年来,人工神经网络(ann)作为一种新的相对计算方法被应用于MA的T数据外推,取得了很好的结果6、7.
考虑到上述问题,我们的研究目标是通过应用线性回归和ANNS模型来估算Cephalonia岛的高级山(MT)Aenos的高替代网站的T山(MT)Aenos的T.并调查他们令人满意的表现的假设。为了我们的知识,这是第一次在此类学习中发生这种研究,这是最重要的重要性。
材料和方法
该研究在希腊塞弗隆尼亚岛(图1a)东南部的埃诺斯山国家公园(图1b)进行。埃诺斯是希腊西部爱奥尼亚群岛最重要的生态位置之一,最高海拔约1620米。它拥有丰富的植物群,例如著名的本地植物物种头叶冷杉(冷杉属cephalonical .)8.它也是一个有吸引力的旅游目的地,因为它提供了各种各样的活动,如登山、徒步旅行和观鸟。
在研究区域选择了四个地点(图1c)。它们的选择主要基于各自位置的alt和方向。因此,有两个不同的方向(西北和东南),每个方向包括两个不同的高地(1100和1580 m)ο09年38.3´´´N, 020ο37´25.0´0 E,高程1100 m),位于西北侧,植被茂密高大。第二个位置是E1 (38ο07´30.3´´N, 020ο42´14.6´E,高程1100 m)位于东南侧,以上述植被为特征。第三个位点W2 (38ο08'27.7''n,020ο39´36.0´E,高程1580 m)位于西北侧,其特征是存在一个森林少得多的开阔区域。第四个位点E2 (38ο08年16.2´´´N, 020ο40´21.6´E,高程1580 m),位于东南侧,植被茂密高大。使用移动全球定位系统(Garmin eTrex Vista)评估每个地点的方位、alt.、纬度和经度,并与1:65000地形图进行交叉核对。
该研究在希腊塞弗隆尼亚岛(图1a)东南部的埃诺斯山国家公园(图1b)进行。埃诺斯是希腊西部爱奥尼亚群岛最重要的生态位置之一,最高海拔约1620米。它拥有丰富的植物群,例如著名的本地植物物种头叶冷杉(冷杉属cephalonical .)8.它也是一个有吸引力的旅游目的地,因为它提供了各种各样的活动,如登山、徒步旅行和观鸟。
在研究区域选择了四个地点(图1c)。它们的选择主要基于各自位置的alt和方向。因此,有两个不同的方向(西北和东南),每个方向包括两个不同的高地(1100和1580 m)ο09年38.3´´´N, 020ο37´25.0´0 E,高程1100 m),位于西北侧,植被茂密高大。第二个位置是E1 (38ο07´30.3´´N, 020ο42´14.6´E,高程1100 m)位于东南侧,以上述植被为特征。第三个位点W2 (38ο08'27.7''n,020ο39´36.0´E,高程1580 m)位于西北侧,其特征是存在一个森林少得多的开阔区域。第四个位点E2 (38ο08年16.2´´´N, 020ο40´21.6´E,高程1580 m),位于东南侧,植被茂密高大。使用移动全球定位系统(Garmin eTrex Vista)评估每个地点的方位、alt.、纬度和经度,并与1:65000地形图进行交叉核对。
|
在数据微记录器(Hobo Pro v2 U23-001, Onset Computer Corporation, USA, accuracy±2.0)的帮助下,传感器每10分钟同时监测空气温度o对于T / 0o到50o),期限为一年(2012年)。这些仪器被安装在适当的遮蔽物中,以防止直接辐射和降水,并安装在离地面1.5米的树下。遮蔽物的形状允许适当的空气流通。上述仪器都在实验室和现场进行了测试,没有出现任何问题。每3个月收集一次数据,每小时计算每个站点的平均、最大和最小T值,然后按日计算5.
为了估计基于下ALT(1100米)的相应T数据的高ALT(1580 m)的平均值,最大和最小T,用于每个方向,多层Perceptron(MLP)模型10,最常用的ann之一,有一个隐藏层6并建立了简单线性回归(SLR)模型11.
模型(SLR和MLP)的性能被两个统计参数评估,确定系数(R2)和平均绝对误差(MAE)。此外,通过残差与预测器的正态概率图和散点图对残差进行图形分析,验证了所研究模型的有效性。本研究保证在P≤0.05时结果显著11,12.
结果与讨论
在应用SLR和MLP型号的情况下,基于HID ALT(1100米)的MT AENOS下尔(1100米)的地点的高ALT(1580米)的地点估计。如图2所示。基于对散点图和r的分析2结果表明,这两种分析方法,SLR和MLP,在估计平均值、最大和最小T方面提供了非常满意的结果(图2a, c和e)。
对比以上两幅图,可以看出均值T估计相对较好,分别由最大值和最小值T估计得出。这一发现主要是由均值T估计中出现的最低MAE(0.83)所证实的,相对于最大和最小T估计。使用上述两种技术(MLP和SLR)所获得的令人满意的估计可能归因于E1和E2站点具有相似的环境特征。换句话说,考虑到alt的影响,这些站点中高大浓密的植被的支配影响了它们的T值,从而产生了相似的热差异。
|
相反,埃诺斯山西北侧的W1和W2站点位于不同植被覆盖区域。W1位点位于高而浓密的植被下,而W2位点位于几乎不被植物覆盖的位置。这一事实导致了这两个位点之间T差异的改变,这与Ferrez等人的观点一致13和玛丽亚Karlsson14,这种改变对各自散点图(图2b, d和f)与图2a, c和e的散点图相比的不同图像产生了严重的影响2总体而言,与东南方向(图2a, c和e)相比,西北方向(图2b, d和f)更低,MAE更高2W1和W2位点的值可以被认为是令人满意的(0.88-0.92),并且,这与所尊重的MAE值(1.0-1.4)相结合,表明两种估算方法(SLR和MLP)都提供了足够的结果。
从整体上看,比较散点图,R2和受人尊敬的美网站E1, E2和W1, W2(图2 a, b, c, d, e和f),这是证明,在一般情况下,估计的意思是T比极端的(最小和最大T)这一事实可能会认为,在一个高度,以均值T的基本特征来表示平均和更归一化的热条件,而不是表示瞬时热条件的最大和最小T15,从而导致对热环境的更全面的看法。
综上所述,证实了较好的结果(较高的R2当T估计基于位于具有相似周围环境的地区的地点的T数据时,获得了较低的MAE)获得,与E1和E2位点的致密和高植被的情况,无论应用方法如何(SLR和MLP)。相反,当研究的网站的周围环境不同,如W1(致密且高植被)和W2(稀疏森林所覆盖的网站)的情况下,相应的估计不太准确。
的利益冲突
作者声明不存在利益冲突。
参考文献
- 山地天气与气候,2nd版,劳特利奇,泰勒和弗朗西斯集团,伦敦,英国,402 p(1992)。
CrossRef - 尼泊尔,k.s.和Chipeniuk, R.山地旅游:走向概念框架。旅游地区,7(3),313-333(2005)。
CrossRef - 山地环境景观尺度研究中气温差异的空间估计。农林气象学,114(3 - 4), 141 - 151(2003)。
CrossRef - 跑步,S.W.,Nemani,R. R.和Hungerford,R。D.山地地形中的天气气象数据的推断及其用于模拟森林蒸发和光合作用的用途。加拿大林研究杂志,17(6), 472 - 483(1987)。
CrossRef - manatis, S., Kamoutsis, A., Chronopoulou-Sereli, A. and Nastos, P. T. the Air temperature estimation over Ainos mountain, Kefallinia island using linear regression analysis .(中国科学:地球科学.见:Karacostas T. S.等主编,《大气科学展望》,施普林格国际出版,瑞士,349-354(2017)。
CrossRef - 利用人工神经网络模型估算希腊大雅典地区的气温。ISRN气象学:1-7(2013)。
- 王志强,王志强,王志强,等。基于地理输入的长期气温预测。国际气候学杂志,34(1),179-186(2014)。
CrossRef - 凯法利尼亚岛的植物群。Botanica chronica.,5(1 - 2), 1 - 204(1985)。
- 匿名的。地球,2017. .2017年4月27日。
- 基于人工神经网络的希腊山区热舒适估算。全球巢期刊,14(4), 532 - 539(2012)。
- 利用统计模型估算温室内部空气温度。当前世界环境,12(1),01-05(2017)。
- 张志强,张志强,张志强,等。遮荫和氯化物对大叶马兰比叶面积和矿物质含量的影响。《动植物科学杂志》,25(5),1371-1376(2015)。
- 森林覆盖下与空旷地相比的极端温度分析。农林气象学,151., 992 - 1001(2011)。
CrossRef - Maria Karlsson I.森林和开放区域之间的夜间空气温度变化。应用气象杂志,39, 851 - 862(2000)。
CrossRef - Matsoukis, A., Kamoutsis, A. and Chronopoulou-Sereli, A.气象条件和lantana的生长(马樱丹属卡马拉(L.)经“洋葱型”生长调节剂处理后。见:Chronopoulou-Sereli A., ed., Proceedings 8th气象-气候学-大气物理会议卷A, GDI工作室,希腊比雷埃夫斯,370-376(2008)。
这个作品是根据Creative Commons attage 4.0国际许可证.