خلاصه
تنوع یخچال ها یکی از بهترین شاخص های تغییر اقلیم در محیط های کوهستانی است. در آلپ فرانسه، بسیاری از دادههای زمانی توسط یخچالشناسان در مقیاس یخچالها به دست میآیند: پارامترهای هندسی (مساحت سطح، ضخامت، طول و ارتفاع جلو) از اواخر قرن نوزدهم بررسی میشوند. این پارامترها برای تخمین توازن جرم یخچالها و سپس یک سیگنال زمانی دقیق از تغییرات یخچالها ضروری هستند. با این حال، پاسخ زمانی یخچال ها می تواند به دلیل آب و هوای توپوکلیومی و به طور کلی تنظیمات محلی یخچال ها بسیار متغیر باشد. علاوه بر این، اقلیم شناسان و هیدرولوژیست ها به تخمین تغییرات یخچال های طبیعی در مقیاس منطقه ای و نه تنها در مقیاس محلی نیاز دارند. در این صفحه، ما تاکید می کنیم که ارتفاع خط تعادل (ELA) پارامتری است که مستعد بازسازی های مکانی-زمانی در مقیاس منطقه ای است. ELA در واقع می تواند در مقیاس منطقه ای از داده های محلی درون یابی شود: برای مثال، بسیاری از جغرافیدانان روندهای فضایی را در طول دهه 1980 بازسازی کرده اند. در اینجا، ما سعی می کنیم ELA را از تحلیل رگرسیون چند بعدی درون یابی کنیم: ELA با بسیاری از پارامترهای محلی (تابش خورشیدی ورودی، شاخص های توپوگرافی، توزیع مجدد برف توسط باد، و غیره) توضیح داده می شود. مدل رگرسیون از یک پایگاه داده مکانی-زمانی از 50 یخچال طبیعی، واقع در Massif des Écrins تنظیم شد. ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ELA در واقع می تواند در مقیاس منطقه ای از داده های محلی درون یابی شود: برای مثال، بسیاری از جغرافیدانان روندهای فضایی را در طول دهه 1980 بازسازی کرده اند. در اینجا، ما سعی می کنیم ELA را از تحلیل رگرسیون چند بعدی درون یابی کنیم: ELA با بسیاری از پارامترهای محلی (تابش خورشیدی ورودی، شاخص های توپوگرافی، توزیع مجدد برف توسط باد، و غیره) توضیح داده می شود. مدل رگرسیون از یک پایگاه داده مکانی-زمانی از 50 یخچال طبیعی، واقع در Massif des Écrins تنظیم شد. ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ELA در واقع می تواند در مقیاس منطقه ای از داده های محلی درون یابی شود: برای مثال، بسیاری از جغرافیدانان روندهای فضایی را در طول دهه 1980 بازسازی کرده اند. در اینجا، ما سعی می کنیم ELA را از تحلیل رگرسیون چند بعدی درون یابی کنیم: ELA با بسیاری از پارامترهای محلی (تابش خورشیدی ورودی، شاخص های توپوگرافی، توزیع مجدد برف توسط باد، و غیره) توضیح داده می شود. مدل رگرسیون از یک پایگاه داده مکانی-زمانی از 50 یخچال طبیعی، واقع در Massif des Écrins تنظیم شد. ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ما سعی می کنیم ELA را از تحلیل رگرسیون چند بعدی درون یابی کنیم: ELA توسط پارامترهای محلی زیادی توضیح داده می شود (تابش خورشیدی ورودی، شاخص های توپوگرافی، توزیع مجدد برف توسط باد، و غیره). مدل رگرسیون از یک پایگاه داده مکانی-زمانی از 50 یخچال طبیعی، واقع در Massif des Écrins تنظیم شد. ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ما سعی می کنیم ELA را از تحلیل رگرسیون چند بعدی درون یابی کنیم: ELA توسط پارامترهای محلی زیادی توضیح داده می شود (تابش خورشیدی ورودی، شاخص های توپوگرافی، توزیع مجدد برف توسط باد، و غیره). مدل رگرسیون از یک پایگاه داده مکانی-زمانی از 50 یخچال طبیعی، واقع در Massif des Écrins تنظیم شد. ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده ELA برای هر یخچال به لطف نسبت مساحت تجمع (نسبت = 0.65) در دو مرحله برآورد شد: حداکثر LIA و در حال حاضر. نتایج ابتدا نشان می دهد که تحلیل رگرسیون چندگانه برای درونیابی ELA در فضا کارآمد است: r تنظیم شده2 حدود 0.49 برای بازسازی در طول LIA، و 0.47 در حال حاضر است. علاوه بر این، خطای RMSE برای دوره LIA حدود 50 متر است که در حال حاضر 55 متر است. در نهایت، یک تنوع فضایی بالا (انحراف استاندارد حدود 150 متر) برجسته شده است: تابش خورشیدی ورودی و توزیع مجدد برف توسط باد عمدتاً تفاوتهای مشاهده شده را توضیح میدهند. ما همچنین می توانیم افزایش ELA را در حدود 250 متر در طول قرن 20 ارزیابی کنیم.
کلید واژه ها
یخچالهای طبیعی , خط تعادل , درونیابی , GIS , Massif des Écrins , Alps
منابع

بدون نظر