مهدی قمقامی - کارشناس ارشد، دانشگاه تهران
نوذر قهرمان - استادیار، دانشگاه تهران
شهاب عراقی نژاد - استادیار، دانشگاه تهران

مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاء فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته اند. الگوریتم های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل قبول ۴۵ سال(۲۰۰۵-۱۹۶۱) ارزیابی و برای بیان برتری نسبی این روش ها نسبت به روش های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته شده در این مطالعه در شبیه سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن تر عمل می نماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.

., Extrapolating, Nonparametric approach, Weather generator, Wet & dry spells