بررسی قدرت تفکیک مکانی مناسب داده‌های بارش روزانه پایگاه ERA-Interim در شمال شرق ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا اقلیم شناسی دانشگاه حکیم سبزواری

2 استادیار، پژوهشکده اقلیم شناسی، مشهد

3 استادیار، دانشگاه حکیم سبزواری

چکیده

در این پژوهش دقت 11 سری از داده‌های بازکاوی روزانه ERA-Interim مربوط به مرکز اروپایی پیش‌بینی‌های میان‌مدت ECMWFبا تفکیک‌های مکانی 125/0 ، 25/0، 4/0،  5/0، 75/0، 1، 125/1، 5/1، 2، 5/2 و  3 درجه با داده‌های مشاهداتی 17 ایستگاه هواشناسی شمال شرق(خراسان شمالی، خراسان رضوی، خراسان جنوبی)، در یک دوره زمانی 26 ساله (2015-1990) موردبررسی قرار گرفت. برای این منظور از آماره‌های ضریب تبیین، شاخص توافق، اُریبی نسبی و NRMSE استفاده شد. نتایج نشان دادند که بر اساس آماره NRMSE دقت تمامی تفکیک‌های مکانی موردمطالعه زیر 10 قرار دارد که در محدوده عالی می باشد، اما سری داده‌های با تفکیک مکانی 4/0 درجه در سه نمایه آماری دیگر( ضریب تعیین،اریبی نسبی و ضریب توافق) بهترین عملکرد را دارا است و هماهنگی بهتری در مقایسه با سایر داده‌های ERA-Interim دارد و می‌تواند برای تکمیل خلاءهای آماری و مناطق فاقد آمار مورداستفاده قرار گیرد. در سری داده‌های با تفکیک مکانی 4/0 درجه، بیشترین ضریب تبیین در بین ایستگاه‌های موردمطالعه در ایستگاه مشهد مشاهده شد که ممکن است ناشی از بالا بودن بارش آن، پایین بودن تغییرپذیری بارش آن در مقایسه با سایر ایستگاه‌ها و نیز سابقه آماری بالای این ایستگاه و لحاظ داده‌های آن در سامانه داده‌گواری جهانی داده‌ها است که به‌عنوان داده‌های پایه در آغازگری مدل پیش‌بینی عددی ECMWFاستفاده می‌شود. کمترین مقدار نرمال شده جذر میانگین مربع خطاها در ایستگاه‌های تقریباً پربارش شمالی منطقه شامل مشهد، بجنورد و قوچان و بیشترین خطای مقدار نرمال شده جذر میانگین مربع خطاها در ایستگاه‌های تقریباً خشک و کم بارش مشاهده شد. رفتار شاخص توافق کم و بیشتر شبیه NRMSE است. قدر مطلق بایاس نسبی در تمامی ایستگاه‌های کمتر از 01/0 است که بیشترین خطای مربوطه در ایستگاه‌هایتقریباً کم بارش مرکز و جنوب منطقه مشاهده شد. با توجه به یافته‌های این پژوهش، داده‌های بازکاوی روزانه ERA-Interim با تفکیک مکانی 0.4 درجه می‌توانند برای تکمیل خلاءهای آماری و مناطق فاقد آمار بارش در خراسان مورداستفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

ERA-Interim

نویسندگان [English]

  • Atefeh Erfani 1
  • Iman Babaeian 2
  • Alireza Entezari 3
2 Assistant Professor, Climatological Research Institute
چکیده [English]

Introduction 
Climate model information usually is in large scales (> 100 km). It is often necessary to use downscaling methods to use this information. Downscaling can be defined as methods which interpret climate information in regional or local scale (10-100 km) from the large grid (>100km) GCMs (Fung et al. 2011). Two main methods of downscaling are dynamical and statistical downscaling. Statistical downscaling methods are less compute-intensive tasks which involve implementing local scale variables as a function of global climate model outputs (Chen et al. 2013). This paper predicts inflow into the Karaj dam reservoir using results of a Global climate model in different climate scenarios and downscaling methods (a total of 32 different runs).
Material and methods
Climate model and scenarios
Intergovernmental Panel on Climate Change (IPCC) introduced four different greenhouse gas concentration (not emissions) trajectories (representative concentration pathways RCP) based on the amount of radiative forcing values at the end of the year 2100 namely RCP 2.6, RCP 4.5, RCP 6.0 and RCP 8.5 which all have been used in this study alongside CSIRO MK 3.6.0 Global Climate model (GCM).
Statistical downscaling methods
Based on choosing the predictors, observed data or historical GCMs simulation,  downscaling methods (DSM) can be divided into two major groups namely Bias Correction (BC) and Change Factor (CF) (Ho, Stephenson et al. 2012, Wang, Ranasinghe et al. 2016). In BC based methods, it is assumed that the change between GCM data and observed data remain constant in time and the CF-based method, it is presumed that change in observed climate variable is same as changes in climate model data, and precipitation occurrence probability will remain constant. For a better estimation of future climate conditions and understand the effect of selecting different downscaling methods two different BC methods and two different CF methods have been explained and used in the study.
Karaj dam watershed is located in the central part of Northern Iran in Tehran province between 51.05 and 51.60 degrees North and 35.88 and 36.18 East. It is one of the main supplies of urban and agricultural water demand of Tehran. The area of the watershed is about 846.5 km2 and its average height is about 2826 MASL. Twelve (12) weather stations which had data with proper length were selected over the region. Spatial downscaling was used by averaging 4 grid points near the station. The inflow was predicted for a future period (2013-2045) and compared with both observed and modeled data in the base period (1985-2012). Future temperature and precipitation in different DSM-RCPs have been plotted. Average monthly hydrograph and probability density functions of annual streamflow were compared. Runoff-precipitation simulation has been conducted using IHACRES software.
Results
The overall trend of temperature in different downscaling methods is rising and the uncertainty related to choosing DSM is more than choosing climate scenario. The range of changing temperature is wider in the CF method and choosing the overall DSM method (BC or CF) is more important than choosing sub-method (MB or VB). Unlike temperature precipitation changes in not similar in different scenarios and DSMs. Although in some scenarios precipitation increases, in others decreases. Despite small differences, it seems that the overall trend of streamflow in the CSIRO model is decreasing. Streamflow in April decreased significantly. The range of streamflow in the future is wider than historical observation and uncertainty especially in extreme events is higher. RCP 8.5 has the greatest streamflow range in the future which shows less reliability in predictions.
Discussions
For better performance of infrastructures in the future, climate changes and their effect on streamflow should be predicted. This paper investigated the effect of choosing different statistical downscaling methods and climate scenarios (RCP) on the future streamflow in the Karaj dam basin, Tehran, Iran.
There are changes in flow pattern and in most scenarios, two peaks in April and May are recorded.
Least annual average flow is for RCP 6.0 and the greatest annual average flow is for RCP 2.8. The study showed that for better understanding and prediction of future condition, different downscaling methods should be considered as well as different climate scenarios. Choosing whether the BC or CF method has more effect than MB or VB selection. The paper used different scenarios and methods to predict future streamflow. Probabilistic approach showed the importance of considering uncertainty in streamflow prediction and the possible range of future changes which may be used in defining the reservoir operating rule.

کلیدواژه‌ها [English]

  • bias correction
  • Change Factor
  • streamflow prediction
  • Uncertainty
  1.  

    1. باباییان، ایمان؛ کریمیان، مریم؛ عاشوری، حامد؛ راهله، مدیریان؛ خزانه داری، لیلی؛ ملبوسی، شراره؛ کوهی،منصور؛ محمدیان،آزاده؛ فتاحی،ابراهیم(1396). تهیه داده های تلفیقی بارش ماهانه برای حوضه های آبریز جنوب غرب کشور با بکارگیری داده های شبکه ایی APHRODITE و مشاهداتی، نشریه آب و خاک، شماره 3
    2. دارند، محمد(1395)، شناخت نواحی همگن بارشی ایران بر پایه پایگاه داده افرودیت(25/0 درجه قوسی)، نشریه پژوهش های حفاظت آب و خاک. جلد(23)، شماره(2)،صص99-113
    3. دارند،محمد؛ زندکریمی،سوما(1394)؛ ارزیابی دقت داده های بارش مرکز اقلیم شناسی بارش جهانی برروی ایران؛ مجله ژئوفیزیک ایران،شماهر4، دوره 37،صص 674-652
    4. رضیئی، طیب؛ ستوده، فاطمه(1396)؛ بررسی دقت مرکز اروپایی پیش بینی میان مدت جوی(ECMWF) در پیش بینی بارش مناطق گوناگون اقلیمی ایران، نشریه فیزیک زمین و فضا، شماره 1، صص147- 133.
    5. رضیئی، طیب؛ فتاحی، ابراهیم (1390)؛ ارزیابی کاربرد داده های بارش NCAR/NCEP در پایش خشکسالی ایران، مجله فیزیک زمین و فضا،شماره 2، دوره 37،صص 225-247.
    6. حدادیان سنو، هادی؛ کریمی، علیرضا؛ اسفندیارپور بروجنی، عیسی؛ حق نیا، غلامحسین(1394)، مقایسه کارایی RMSE  و NRMSE برای محاسبه مقدار خطای مدل با مجموعه داده های آموزش متفاوت، چهراهمین کنگره علوم خاک ایران. داشنگاه ولیعصر رفسنجان.صص220-218
    7. عزیزی، قاسم؛ صفرزاده،طاهر،محمدی، حسین؛ فرجی سبکبار،حسنعلی(1395)؛ارزیابی و مقایسه داده های بازکاوی شده بارش جهت استفاده در ایران، پژوهش های جغرافیای طبیعی، شماره 1، صص49-33
    8. کتیرایی بروجردی،پری سیما(1392)، مقای سه داده های بارش ماهانه ماهواره ایی و زمینی در شبکه ای با تفکیک زیاد روی ایران؛ مجله ژئوفیزیک ایران،شماره 4،صص160-149.
    9. مسعویان، ابوالفضل، کیخسروی کیانی، مجمد صادق؛ رعیت پیشه، فاطمه؛ معرفی و مقایسه پایگاه داده اسفرازی با پایگاه های داده GPCC،  GPCP و CMAP
      1. Ashouri H., Hsu K. L., Sorooshian S., Braithwaite D. K., Knapp K. R., Cecil L. D., Nelson B. R., Prat O(2015). PERSIANN-CDR Daily precipitation Climate Data Record from Multi-satellite Observations for Hydrological and Climate Studies, Bulletin of the American Meteorological Society, 96(1):69-83.
      2. A. Haensler , S. Hagemann and D. Jacob (2011): Dynamical downscaling of ERA40 reanalysis data over southern Africa: added value in the simulation of theseasonal rainfall characteristics.international journal of climatology.Int. J.Climatol. 31: 2338–2349 7
      3. Balsamo, G., Albergel, C., Beljaars, A., Boussetta,S., Brun, E., Cloke, H., Dee, D., Dutra, E.,Muٌoz-Sabater, J., appenberger, F., deRosnay, P., Stockdale, T. and Vitart, F., )2015(,ERA-Interim/Land: a global land surfacereanalysis data set, Hydrol. Earth Syst. Sci., 19,389-407.
      4. Dee, D., Uppala, S., Simmons, A., Berrisford, P.,Poli, P., Kobayashi, S., Andrae, U., Balmaseda,M., Balsamo, G., Bauer, P., Bechtold, P.,Beljaars, ACM., van de Berg, L., Bidlot, J.,Bormann, N., Delsol, C., Dragani, R., Fuentes,M., Geer, A. J., Haimberger, L., Healy, S. B.,Hersbach, H., H´olm, E. V., Isaksen, L.,Kallberg, P., Kohler, M., Matricardi, M.,McNally, A. P., Monge-Sanz, B. M.,Morcrette, J. J., Park, B. K., Peubey, C., deRosnay, P., Tavolato, C., Th´epaut, J. N. andVitart, F., )2011(, The ERA-Interim reanalysis, configuration and performance of the dataassimilation system, Q. J. R. Meteorol. Soc.,137, 553-597.
      5. DeLeeuw, J., Methven, J. and Blackburn, M., 2014,Evaluation of ERA-Interim reanalysis precipitation products using England andWales observations, Q. J. R. Meteorol. Soc.,141, 798-806.
      6. Feidas, H., )2010(, Validation of satellite rainfallproducts over Greece, Theor Appl Climatol,99, 193-216.
      7. Fu, Y., Xia, J., Yang, W., Xu, B., We, X., Chen,Y. and Zhang, H., )2014(, Assessment ofmultiple precipitation products over major river basins of China, Theor Appl Climatol,1-12.
      8. Gruber A., Levizzani V. )2008(. Assessment of global precipitation products. Technical Report-WRCP-128,WMO/TD-No. 1430, 55 pp. Available online at: www.gewex.org/reports/2008AssessmentGlobal PrecipReport.pdf.]
      9. Hou, A., Jackson G. S., Kummerow C., Shepherd J. M. )2008(. Global precipitation measurement. Precipitation:Advances in Measurement, Estimation, and Prediction,S. Michaelides, Ed., Springer: 131–170.
      10. Hou A., Jackson G. S., Kummerow C., Shepherd J. M. )2014(. The Global Precipitation Measurement Mission.
      11.  Huffman, G.J., Adler, R.T., Bolvin, D.T., Gu,G., Nelkin, E.J., Bowman, K., Hong, Y., Stocker, E.F. and Wolff, D.B. (2007). ''The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales''. J. Hydrometeor. No. 8: 38–55.
      12. Joyce R. J., Janowiak J. E., Arkin P. A., and Xie P. )2004(. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 5:487–503.
      13. Kishore, P., Jyothi, S., Basha, G., Rao, S.V. B., Rajeevan, M., Velicogna, I. and Sutterley, T.C. (2015). ''Precipitation climatology over India: validation with observations and reanalysis datasets and spatial trends''. Climate Dynamics: 1-16.
      14. Kalinga, O. A. and Gan, T. Y., )2010(, Estimation of rainfall from infrared-microwave satellite data for basin-scale hydrologic modeling, Hydrol. Process, 24, 2068-2086.
      15. Khan, A., Richards, K.S., Parker, G.T., McRobie, A., Booij, M.J., Duan, Z. and Khan, M. (2015). ''Spatial and altitudinal variation of precipitation and the correction of gridded precipitation datasets for the Upper Indus Basin and the Hindukush-Karakoram-Himalaya''.Geophysical Research Abstracts. Vol. 17. EGU 2015-7770-2.
      16. Kummerow C., Barnes W., Kozu T., Shiue J., Simpson J. )2000(. The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit, Journal of Applied Meteorology, 39:1965–1982
      17. Legates, D. R., and McCabe Jr., G. J., )1999(, Evaluating the use of ‘‘goodness-of-fit’’ measures in hydrologic and hydroclimatic model validation: Water Resour. Res., 35 (1), 233–241.
      18. Meng J, Li L, Hao Z, Wang J, Shao Q. )2014(.Suitability of TRMM satellite rainfall in driving a distributed hydrological model in the source region of Yellow River. Journal of Hydrology, 509: 320-332.
      19. Rhodes, R. I., Shaffrey, L. C. and Gray, S. L.,)2015(, Can reanalyses represent extremeprecipitation over England and Wales, Q. J. R.Meteorol. Soc, 141, 1114-1120.
      20. Rinaldi, G.M.,)2004(. Water availability at sowing and nitrogen management of durum wheat: a seasonal analysiswith the CERES- wheat model. FieldCrops Research,89(1):27-37.
      21. Sodoudi, S., Noorian, A. M., Manfred, G. and Eberhard, R., )2010(, Daily precipitation forecast of ECMWF verified. TheorApplClimatol, 99, 39-51.
      22. Sorooshian, S., Hsu, K., Gao, X., Gupta, H.V., Imam, B. and Braithwaite, D. (2000). ''Evaluation of PERSIANN systemsatellite-based estimates of tropical rainfall''. Bull. Amer. Meteor. Soc.. No. 81: 2035–2046.
      23. Suk Han, W., Burian, S. J. and Shepherd, J. M.,)2011(, Assessment of satellite-based rainfall estimates in urban areas in different geographic and climatic regions, Nat Hazards, 56(3), 733747.
      24. Szczypta, C., Calvet, J.C., Albergel, C., Balsamo, G., Boussetta, S., Carrer, D., Lafont, S. and Meurey, C. (2011).''Verification of the new ECMWF ERA-Interim reanalysis over France''. Hydrol. Earth Syst. Sci.. No. 15:647–666.
      25. Willmott, C. J., 1984, On the validation of models: Phys. Geogr., 2, 184–194.
      26. Yatagai, A.; Kamiguchi, K.; Arakawa, O.; Hamada, A.; Yasutomi, N.; Kitoh, A. (2012).     APHRODITE: Constructing a long-term daily gridded precipitation dataset for Asia based on a dense network of rain gauges. Bulletin of the American Meteorological Society, 93(9): 1401-1415.