تحلیل روش پس پردازش خروجی مدل‌های دینامیکی با استفاده از داده‌های شبکه بر روی خشکسالی شمال غرب ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مدیرگروه پژوهشی اقلیم شناسی بلایای جوی، پژوهشکده اقلیم شناسی، مشهد، ایران

2 مدیر گروه آب و هواشناسی، دانشگاه تبریز، تبریز، ایران

3 رئیس پژوهشکده اقلیم شناسی، مشهد، ایران

4 استاد گروه آب و هواشناسی، دانشگاه تبریز، تبریز، ایران

5 کارشناس پژوهشی پژوهشکده اقلیم شناسی، مشهد، ایران

چکیده

    از دیرباز پیش بینی وضعیت بارش و بررسی ناهنجاری خشکسالی در حوضه های آبریز شمال غرب کشور ایران به دلیل حساسیتی که دریاچه ارومیه نسبت به میزان آبدهی حوضه های مربوطه دارد یکی از مهمترین چالش ها در مدیریت بهینه منابع آبی بوده است و مدیریت سرمایه های عظیم منابع آبی و تولید انرژی کشور در منطقه مذکور به شدت متاثر از این عوامل است. بنابراین با توجه به نوسانات پارامترهای اقلیمی و وقوع رفتارهای غیرمتعادل در الگوی بارش کشور، استفاده از روش های دینامیکی می تواند کمک بسیاری را در تبیین این شرایط ایفاد نماید. در این تحقیق، بدلیل توزیع نامناسب داده های دیده بانی شده، ‌ابتدا با استفاده از داده های بارش شبکه آفرودیت و بکارگیری روش‌های پس پردازش MOS بر روی خروجی مدل پیش بینی دینامیکی MRI-CGCM3 در یک دوره 28 ساله (2007- 1980 میلادی)، بارش شبکه ای مدل پس پردازش شده و با وزن دهی متغیرهای اقلیمی خروجی مدل دینامیکی برای هر سلول شبکه دادهو با تعیین ضرایب مدل آماری همبستگی چند متغیره، عمل پس پردازش کامل گردید و خطاهای سیستماتیک خروجی مدل جهت استفاده در مقیاس های کوچک تا حدود زیادی کاهش یافت.‌ سپس داده های پیش بینی پس پردازش شده مدل دینامیکی، جهت محاسبه شاخص خشکسالی (SPI) در راستای ارائه پیش‌آگاهی خشکسالی استفاده گردید و توانمندی روش پس پردازش انتخاب شده با استفاده از شاخص های ارزیابی مورد سنجش قرار گرفت. نتایج نشان داد که اعمال پس پردازش آماری بر روی خروجی مستقیم مدل دینامیکی موجب بهبود پیش بینی ماهانه بارش تا میزان 29درصد در روش پس پردازش انتخابی می‌شود. صحت پیش بینی شاخص خشکسالی SPI می تواند به مقدار 22.3 3/22 درصد نسبت به حالت بدون پس پردازش افزایش یافته به طوریکه این میزان بعد از اجرای پس پردازش به5/79 درصد رسید.

کلیدواژه‌ها


عنوان مقاله [English]

Analysis of Post-processing Method for Dynamic Models Output by using Network Data for Drought of North West of Iran

نویسندگان [English]

  • sina samadi 1
  • behroz sari saraf 2
  • majid habibi nokhandan 3
  • ali akbar rasouli 4
  • sharareh malbosi 5
1 Director of Natural Disaster Division, Climatological Research Institute (CRI), Mashhad, Iran
2 Professor, Faculty of Geography and Planning, University of Tabriz, Tabriz, Iran
3 Head of Climatological Research Institute (CRI), Mashhad, Iran
4 Professor, Faculty of Geography and Planning, University of Tabriz, Tabriz, Iran
5 Expert of Climatological Research Institute (CRI), Mashhad, Iran
چکیده [English]

Since long time ago, prediction of precipitation status and investigation of drought hazards in catchment areas of North West of Iran, due to the critical importance of discharge rate of related catchments for Lake Uromia, has been one of the most important challenging issues in efficient management of water resources; management of vast capital of water resources and energy production of the country is highly affected by the aforesaid factors. Therefore, application of dynamic methods may play significant role in adjustment of such conditions concerning the frequencies of climate parameters and occurrence of imbalance behaviors in precipitation pattern of the country. In this regard, application of Aphrodite data can greatly reduce calculation errors and considers proper distribution of time and place in the category of post-processing framework. A wide range of methods has been used in the post-processing analysis of the output of dynamic methods; Therefore, application of post-processing technique may develop outputs of dynamic models to be used in subscales and the outputs of these models may be implemented in macro-environment management with a more comprehensive approach. Main objective of the present research consisted of developing the accuracy of seasonal predictions of precipitation of North-west of the country using dynamic model output post-processing method used toward managing the drought hazard.

کلیدواژه‌ها [English]

  • Post-processing
  • Drought
  • dynamic models
  • seasonal prediction