با سلام و ادب ..

از آنجا که ایده آل است؛ طول دوره ی مشاهداتی با داده های ncep از نظر زمانی و تعداد سالها باهم برابر باشد، چون شما طول مدت آماری مشاهداتی منطقه و پایه ncep همسان سازی کرده اید، اینکار به افزایش شاخص های عملکرد و تطبیق آمار کمک کرده. به عقیده ی من، از طرف دیگر وقتی طول داده های شما بلندمدت باشد، در انصورت در هنگام کالیبراسیون می توانید حداکثر تغییرپذیری رفتار اقلیم ایستگاه را به مدل SDSM بشناسانید. مدل هم چنین رفتاری را در شبیه سازی های آینده تحت سناریوهای مختلف مد نظر قرار میدهد. گاهی ممکن است برای ایستگاه مدنظر که رفتار کم و بیش مشابهی با ایستگاه مجاور دارد، داده تولید کنید تا طول دوره آماری را افزایش داده و سپس در مدل SDSM بکار بگیرید.

پیشنهاد آخری که به شما دارم، چرا اصرار دارید از مدل SDSM استفاده کنید؟ در برخی موارد، یک روش ریزمقیاس نمایی در یک منطقه پاسخ مناسبی نمیدهد و می بایست روشهای دیگر را امتحان کنید . یا اینکه میتوانید از چندین روش ریزمقیاس نمایی استفاده کرده و نتایج را با هم مقایسه کنید. یه این صورت بحث عدم قطعیت روشهای ریزمقیاس نمایی را هم میتوانید بررسی کنید.

موفق باشید

با سلام مجدد.

از چه روشی برای همسان سازی دوره آماری ncep و مشاهداتی استفاده کردید؟

به نظرم این روش میتواند راهگشا باشد چون به هرحال مناسب است که طول دوره ی مشاهداتی با داده های ncep از نظر زمانی و تعداد سالها باهم برابر باشد. البته با استناد به پاسخ قبلی که عرض کردم. تغییرپذیری رفتار اقلیم را در دوره ی کوتاه‌مدت تری کالیبره میکند . به نظرم اگر تغییرات داده های سناریو دوره آینده نسبت به دوره پایه مدل (منظور rcp ها)، نسبت به این تغییرات دوره آماری پایه حساسیت بالایی نشان ندهند (چون دوره اماری پایه باید یکسان در نظر گرفته شود)، این روش میتواند قابل استناد باشد. در این ارتباط مقالاتی را جستجو کنید که تایید کننده کتبی کار شما باشد.

با سلام و ادب..

ممنون از ارتباط شما . موفق باشید .