پیش‌بینی ماهانه نمایه خشکسالی SPI در حوضه آبریز جنوب غرب کشور با بکارگیری پس‌پردازش برونداد مدل CFSv.2

نوع مقاله: مقاله پژوهشی

نویسندگان

1 پژوهشکده اقلیم شناسی-سازمان هواشناسی کشور

2 کارشناس ارشد پژوهشی- پژوهشکده اقلیم شناسی-سازمان هواشناسی کشور

3 کارشناس مدل سازی/پژوهشکده اقلیم شناسی

4 کارشناس مدل سازی- پژوهشکده اقلیم شناسی-سازمان هواشناسی کشور

5 کارشناس پژوهشی- پژوهشکده اقلیم شناسی-سازمان هواشناسی کشور

چکیده

پیش‌بینی خشکسالی نه تنها یکی از چالشهای اساسی کشور بلکه چالشی برای کشورهای دارای فناوری مدلسازی دینامیکی پیش‌بینی ماهانه است. در کشورهای پیشرو، برای پیش‌بینی خشکسالی ابتدا بارش به روش دینامیکی پیش‌بینی شده و پس از پس‌پردازش آماری، خشکسالی در قالب نمایههای خشکسالی مانند SPI، SPEI و ... پیش‌بینی میگردد. بهدلیل اینکه حوضههای آبریز جنوبغرب کشور شامل کرخه، کارون بزرگ، جراحی و زهره سهم چشمگیری در تامین منابع آبی کشور برای مصارف کشاورزی، شرب، صنعت و تولید انرژی برقابی دارند، ازاین‌رو برخورداری این حوزه از سامانۀ پیش‌بینی بارش و خشکسالی دارای اهمیت حیاتی برای مدیریت منابع آب است. در این پژوهش ابتدا برونداد بارش خام مدل دینامیکی پیش‌بینی فصلی CFSv.2 در دورۀ پایه واسنجی شد و سپس براساس معادلات مستخرج، پیش‌بینیهای خام بارش مدل تا سه ماه آینده تصحیح شدند. از برونداد پس‌پردازش شدۀ بارش برای محاسبه نمایه خشکسالی SPI سه ماه آیندۀ حوضه آبریز جنوب غرب استفاده شد. در فرآیند واسنجی از داده‌های مشاهداتی تصحیحشدۀ APHRODITE و پیش‌بینی‌های گذشتهنگر مدل دینامیکی پیش‌بینی فصلی استفاده گردید. نتایج نشان داد بیشترین کارایی پیش‌بینی خشکسالی با 5/81 درصد هنگامی رخ می‌دهد که شرایط واقعی حوضه در حالت نرمال باشد، اما هنگامی که نمایۀ SPI مشاهداتی حوضه وضعیت ترسالی یا خشکسالی را نشان دهد، در آنصورت صحت پیش‌بینی نمایۀ SPI بهترتیب 3/62 و 3/42 درصد است. با لحاظ فراوانیهای کل رخدادهای خشکسالی مشاهداتی برای وضعیتهای نرمال، ترسالی و خشکسالی که بهترتیب 4/76، 5/12 و 8 درصد کل حالات را شامل می‌شوند، صحت کلی پیش‌بینی نمایه خشکسالی SPI به 4/73 درصد می‌رسد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Monthly SPI Drought Index over Southwestern Basin of Iran Using Post Processing of CFSv.2 Model

نویسندگان [English]

  • leili khazanedari 2
  • fatemeh abbasi 2
  • raheleh modirian 3
  • maryam karimian 4
  • sharareh malbusi 5
1 Climate Research Institute
2 Researcher-Climatological Research Institute-Iran Meteorological Organization
3 expert in charge of climate modeling/climate research institute
4 Researcher-Climatological Research Institute-Iran Meteorological Organization
5 Climatological Research Institute-Iran Meteorological Organization
چکیده [English]

Prediction of drought is not only a main challenge for our country but also is a challenge for those countries with dynamic monthly prediction modeling system as well. In the meteorologically advanced countries, prediction of monthly precipitation through dynamical methods is the first step in prediction of drought indices such as SPI and SPEI. Because southwest watersheds of Iran including Great Karoon, Jarrahi and Zohreh have significant contribution in providing water resources needed in agriculture, drinking, industrial and hydropower, so having a seasonal prediction of precipitation and drought system for management of water resources is of vital importance. In this study, the raw output of CFSv2 seasonal forecast model were calibrated in the base period and then monthly precipitation forecasts for next three months were corrected based on the monthly derived equations. Corrected monthly precipitation were used for three months SPI forecasts. Observed precipitation corrected by APHRODITE dataset and historical forecast were used for calibration. Results showed that, the highest efficiency of drought forecast with 81.5% were occurred in the case of normal precipitation condition of the basin. Efficiency of the drought forecast were 62.3 and 42.3 percent when the precipitation in the basin were in wet or drought conditions. Taking into account the frequency of observed drought events for normal, wet and dry cases which were 76.4, 12.5 and 8 percent, then overall skill of SPI index were found to be 73.4 percent.

کلیدواژه‌ها [English]

  • Seasonal forecast model
  • CFSv2
  • APHRODITE
  • Drought warning
  • Karoon basin
Ashrafi KH, Azadi M, Sabetghadam S (2011) Effects of various digital filter initialization methods on results of weather research and forecasting (WRF) model. Geophysics of Iran 5(1):16-33 (In Persian)

Azadi M, Sufiani M, Vakili Gh, Ghaemi H (2016) Case study the effect of data assimilation of surface and upper air weather stations of Iran in the WRF outputs. Geophysics of Iran 10(2):110-119 (In Persian)

Azadi M, Jafari S, Mirzaei E, Arabli P (2008) Post processing of the output of MM5 meso-scale model for minimum and maximum temperature using Kalman filter. Physics of Erath and space 34(1):45-61 (In Persian)

Babaeian I, Rezazadeh P (2017) On the relationship between Indian monsoon withdrawal and Iran’s fall precipitation onset. Theoretical and Applied Climatology, https://doi.org/10.1007/s00704-017-2260-0

Babaeian I, Karimian M, Modirian R, Bayatani F, Fahiminejad E (2016) Performance of statistical post processing techniques in improvement of monthly precipitation forecast of MRI-CGCM3 model over Khorasan-Razavi Province. Iran-Water Resource Research 12(2):83-92 (In Persian)

Bordi IS, Frigio P, Parenti A, Speranze A (2001) The analysis of standardized precipitation index in the Mediterranean area (part I). http://www.phys. uniroma1.it/index.html

Bronini O, Pinto HS, Zu J, Barbano MT, Camargo MB, Alfonsi RR, Blain GC, Pedro Jr, Pellegrino GQ (2001) Drought quantification and preparedness in Brazil- the example of Sao Paulo State, Local Government, Community and business, Working. Group Draft Report, June 15

Farajzade M (2000) Drought in Iran by using some statistical indices. Journal of Agriculture Science 5(1):17-30 (In Persian)

Farajzade M, Movaheddanesh A, Ghaemi H (1995) Drought in Iran. Journal of Agriculture Science 5(1):45-59 (In Persian)

Guttman NB (1998) Comparing the Palmer drought index and the standardized precipitation index, J. of Am. Water Resources Association 34:113-121

Hayes MJ, Svoboda MD, Wilhite DA and Vanyarkho OV (1999) Monitoring the 1996 drought using the standardized precipitation index. Bulletin of the American Meteorological Society 80(3):429-437

Hwang Y and Carbone GJ (200) Ensemble forecasts of drought indices using a conditional residual resampling technique. Applied Meteorology and Climatology 48(6):1289-1301

Labedzky L (2017) Categorical Forecast of precipitation anomaly using the standardized precipitation index SPI. Journal of Water 9(8):8, 1-14

Landman WA, Dewitt D, Lee D, Beraki A, Lotter D (2012) Seasonal rainfall prediction skill over South Africa: One- versus two-tiered forecasting systems. Weather and forecasting 20:5715–5731

Maca P, Pech P (2016) Forecasting SPEI and SPI drought indices using the integrated artificial neural networks. Computational Intelligence and Neuroscience 2016(2):2, 1-17

Madadgar S and Moradkhani H (2013) A Bayesian framework for probabilistic seasonal drought forecasting. Hydrometeorology 14(12):1685-1701

McKee TB, Doesken NJ and Kleist J (1997) The relationship of drought frequency and duration to time scales. Preprints, 8th Conference on Applied Climatology, 17-22 January, Anaheim, CA. PP. 379-384

Mo KC and Lyon B (2015) Global meteorological drought prediction using the North American multi-model ensemble. Hydrometeorology 16(1):1409-1424

Mo KC, Long LN, Xia Y, Yang SK, Schemm JE, Ek M (2011) Drought indices based on the climate forecast system reanalysis and ensemble NLDAS. Hydrometeorology 12(4):181-205

Nazemossadat MJ and Ghasemi AR (2003) Cold season precipitation in Central and South West of Iran and its relationship to ENSO. Soil and Water Science 7(3):1-13 (In Persian)

Nicolas R, Dalezios A, Loukas L, Vasilisdes (2001) Severity-duration-frequencya analysis of droughts and wet periods in Greece. J. of Hydrological Science 45(5):751-768

Saha S, Moorthi S, Wu X, Wang J, Nadiga S, Tripp P, Behringer D, Hou Y, Chuang H, Iredell M, Ek M, Meng J, Yang R, Mendez MP, Dool H, Zhang Q, Wang W, Chen M, Becker E (2014) The NCEP climate forecast system version 2.  Climate 27:2185-2208

Saha S, Nadiga S, Thiaw C, Wang J, Wang W, Zhang Q, Dool HM, Pan HL, Moorthi S, Behringer D, Stokes D, Peña M, Lord S, White G, Ebisuzaki W, Peng P, Xie P (2006) The NCEP climate forecast system. Climate 19:3483–3517

Sooraj KP, Annamalai H, Kumar A, Wang H (2012) A comprehensive assessment of CFS seasonal forecasts over the tropics. Weather and Forecasting 27:3-27

Steinemann AC (2006) Using climate forecast for drought management. Applied Meteorology and Climatology 45(10):1353-1361

Wilhite DA (2000) Drought, vol. I: A global assessment. University of Nebraska-Lincoln, Routledge Publishers

Yoon JH, Mo K, Wood EF (2012) Dynamic-model-based seasonal prediction of meteorological drought over the contiguous United States. Hydrometeorology 13(4):463-482

Yuan X, Wood EF, Chaney NW, Sheffield J, Kam J, Liang M, Guan K (2013) Probabilistic seasonal forecasting of African drought by dynamical models. Hydrometeorology. 14(12):1706-1720