دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: آمار ریاضی ویرایش: نویسندگان: Taesam Lee and Vijay P. Singh. سری: ISBN (شابک) : 9781138625969 ناشر: CRC Press سال نشر: 2019 تعداد صفحات: 179 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب کاهش مقیاس آماری برای کاربردهای هیدرولوژیکی و محیطی: آمار
در صورت تبدیل فایل کتاب Statistical Downscaling for Hydrological and Environmental Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کاهش مقیاس آماری برای کاربردهای هیدرولوژیکی و محیطی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تغییرات آب و هوای جهانی معمولاً با استفاده از مدلهای آب و هوای جهانی (GCM) درک و مدلسازی میشود، اما خروجیهای این مدلها از نظر متغیرهای هیدرولوژیکی فقط در مقیاسهای مکانی و زمانی درشت یا بزرگ در دسترس هستند، در حالی که برای ارزیابی قابل اعتماد به وضوحهای مکانی و زمانی دقیقتری نیاز است. اثرات آبی-محیطی تغییرات آب و هوایی برای به دست آوردن قابل اعتماد وضوح مورد نیاز متغیرهای هیدرولوژیکی، معمولاً از کاهش مقیاس آماری استفاده می شود. کاهش مقیاس آماری برای کاربردهای هیدرولوژیکی و محیطی، تکنیکهای کاهش مقیاس آماری را به شیوهای عملی ارائه میکند تا هم دانشآموزان و هم شاغلین بتوانند به راحتی از آنها استفاده کنند. روش های متعددی ارائه شده است و همه با مثال های عملی نشان داده شده اند. این کتاب به گونه ای نوشته شده است که نیازی به پیشینه قبلی در آمار نیست و برای دانشجویان تحصیلات تکمیلی، اساتید دانشگاه و محققان هیدرولوژی، هیدروکلیماتولوژی، علوم کشاورزی و محیط زیست و آبخیزداری مفید خواهد بود. همچنین برای سیاست گذاران زیست محیطی در سطوح محلی، ایالتی و ملی و همچنین خوانندگان علاقه مند به تغییرات آب و هوا و اثرات هیدرولوژیکی مرتبط با آن مورد توجه خواهد بود. امکانات: چگونگی مدلسازی رویدادهای هیدرولوژیکی مانند بارندگی شدید، سیل، و خشکسالی را در سطح محلی، حوزه آبخیز بررسی میکند. توضیح میدهد که چگونه به درستی تعصبات قابل توجه را با دادههای مشاهدهای که معمولاً در مدلهای جهانی آب و هوا (GCM) یافت میشوند، به درستی تصحیح کنیم. کاهش مقیاس زمانی را از روزانه به ساعتی با رویکردی ناپارامتریک ارائه می دهد. اثرات بی شمار تغییر اقلیم بر فرآیندهای هیدرولوژیکی را مورد بحث قرار می دهد.
Global climate change is typically understood and modeled using global climate models (GCMs), but the outputs of these models in terms of hydrological variables are only available on coarse or large spatial and time scales, while finer spatial and temporal resolutions are needed to reliably assess the hydro-environmental impacts of climate change. To reliably obtain the required resolutions of hydrological variables, statistical downscaling is typically employed. Statistical Downscaling for Hydrological and Environmental Applications presents statistical downscaling techniques in a practical manner so that both students and practitioners can readily utilize them. Numerous methods are presented, and all are illustrated with practical examples. The book is written so that no prior background in statistics is needed, and it will be useful to graduate students, college faculty, and researchers in hydrology, hydroclimatology, agricultural and environmental sciences, and watershed management. It will also be of interest to environmental policymakers at the local, state, and national levels, as well as readers interested in climate change and its related hydrologic impacts. Features: Examines how to model hydrological events such as extreme rainfall, floods, and droughts at the local, watershed level. Explains how to properly correct for significant biases with the observational data normally found in current Global Climate Models (GCMs). Presents temporal downscaling from daily to hourly with a nonparametric approach. Discusses the myriad effects of climate change on hydrological processes.
Content: Machine generated contents note: ch. 1 Introduction --
1.1. Why Statistical Downscaling? --
1.2. Climate Models --
1.3. Statistical Downscaling --
1.4. Selection of Model Scheme --
1.5. Structure of Chapters --
1.6. Summary and Conclusion --
ch. 2 Statistical Background --
2.1. Probability and Statistics --
2.1.1. Probabilistic Theory --
2.1.1.1. Probability Density Function and Cumulative Distribution Function --
2.1.1.2. Descriptors of Random Variables --
2.1.2. Discrete Probability Distributions --
2.1.2.1. Bernoulli Distribution --
2.1.2.2. Binomial Distribution --
2.1.3. Continuous Probability Distributions --
2.1.3.1. Normal Distribution and Lognormal Distributions --
2.1.3.2. Exponential and Gamma Distributions --
2.1.3.3. Generalized Extreme Value and Gumbel Distribution --
2.1.4. Parameter Estimation for Probability Distributions --
2.1.4.1. Method of Moments --
2.1.4.2. Maximum Likelihood Estimation --
2.1.5. Histogram and Empirical Distribution --
2.2. Multivariate Random Variables --
2.2.1. Multivariate Normal Distribution and Its Conditional Distribution --
2.2.2. Covariance and Correlation --
2.3. Random Simulation --
2.3.1. Monte Carlo Simulation and Uniform Random Number --
2.3.2. Simulation of Probability Distributions --
2.4. Metaheuristic Algorithm --
2.4.1. Harmony Search --
2.5. Summary and Conclusion --
ch. 3 Data and Format Description --
3.1. GCMData --
3.2. Reanalysis Data --
3.3. RCMData --
3.4. Summary and Conclusion --
ch. 4 Bias Correction --
4.1. Why Bias Correction? --
4.2. Occurrence Adjustment for Precipitation Data --
4.3. Empirical Adjustment (Delta Method) --
4.4. Quantile Mapping --
4.4.1. General Quantile Mapping --
4.4.2. Nonparametric Quantile Mapping --
4.4.3. Quantile Delta Mapping --
4.5. Summary and Comparison --
ch. 5 Regression Downscalings --
5.1. Linear Regression Based Downscaling --
5.1.1. Simple Linear Regression --
5.1.1.1. Significance Test --
5.1.2. Multiple Linear Regression --
5.2. Predictor Selection --
5.2.1. Stepwise Regression --
5.2.2. Least Absolute Shrinkage and Selection Operator --
5.3. Nonlinear Regression Modeling --
5.3.1. Artificial Neural Network --
5.4. Summary and Conclusion --
ch. 6 Weather Generator Downscaling --
6.1. Mathematical Background --
6.1.1. Autoregressive Models --
6.1.2. Multivariate Autoregressive Model --
6.1.3. Markov Chain --
6.2. Weather Generator --
6.2.1. Model Fitting --
6.2.1.1. Precipitation --
6.2.1.2. Weather Variables (Tmax, Tmin, SR) --
6.2.2. Simulation of Weather Variables --
6.2.2.1. Precipitation --
6.2.2.2. Weather Variables (Tmax, Tmin, SR) --
6.2.3. Implementation of Downscaling --
6.3. Nonparametric Weather Generator --
6.3.1. Simulation under Current Climate --
6.3.2. Simulation under Future Climate Scenarios --
6.4. Summary and Conclusion --
ch. 7 Weather-Type Downscaling --
7.1. Classification of Weather Types --
7.1.1. Empirical Weather Type --
7.1.2. Objective Weather Type --
7.2. Generation of Daily Rainfall Sequences --
7.3. Future Climate with Weather-Type Downscaling --
7.4. Summary and Conclusion --
ch. 8 Temporal Downscaling --
8.1. Background --
8.1.1. K-Nearest Neighbor Resampling --
8.2. Daily to Hourly Downscaling --
8.3. Summary and Conclusion --
ch. 9 Spatial Downscaling --
9.1. Mathematical Background --
9.1.1. Bilinear Interpolation --
9.1.2. Nearest Neighbor Interpolation --
9.2. Bias Correction and Spatial Downscaling --
9.3. Bias Correction and Constructed Analogues --
9.4. Bias Correction and Stochastic Analogue --
9.5. Summary and Comparison.