ارزیابی پیوسته و احتمالاتی پیش‌بینی‌های بلندمدت بارش مدل‌های همادی آمریکای شمالی (مطالعه موردی: حوضه آبریز سد کرخه)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد/ گروه مهندسی منابع آب، دانشگاه تربیت مدرس، تهران، ایران.

2 استادیار/ گروه مهندسی منابع آب، دانشگاه تربیت مدرس، تهران، ایران

3 عضو هیئت علمی/ موسسه تحقیقات آب، وزارت نیرو، تهران، ایران.

چکیده

در دهه‌های اخیر قابلیت پیش‌بینی‌های هواشناسی به دلیل توسعه شهری و تغییر‌اقلیم به امری مهم در جوامع بشری تبدیل شده است. پیش‌بینی این متغیرها علاوه بر آگاهی دادن به بخش‌های گوناگون جامعه، نقش موثری را در تصمیم‌گیری و برنامه‌ریزی بهتر در زمینه‌های مختلف، نظیر مدیریت منابع آبی، ایفا می‌نمایند. امروزه در این حوزه، بکارگیری مدل‌های پیش‌بینی عددی وضع آب و هوا یکی از متداول‌ترین رویکردها به شمار می‌روند و تلاش‌های فراوانی برای توسعه مدل‌های جدید و بهبود نتایج پیش‌بینی‌های آن‌ها در سطح جوامع علمی جهان در جریان می‌باشد. در این تحقیق، برونداد هفت مدل پیش‌بینی از مجموعه مدل‌های همادی چندگانه آمریکای شمالی به‌منظور ارزیابی پیش‌بینی بارش حوضه سد کرخه در دوره 31 ساله (2015-1985) به‌کار گرفته شده است. بدین منظور پس از مقیاس‌کاهی برونداد مدل‌های پیش‌بینی در افق‌های زمانی 1 تا 3 ماهه با استفاده از روش رگرسیون خطی چندگانه (MLR) ، امکان بهبود آن‌ها با استفاده از رویکرد ترکیب مدل‌ها مورد بررسی قرار گرفته است. ارزیابی کارایی مدل‌ها با استفاده از شاخص‌های ضریب همبستگی پیرسون (ρ) و ریشه میانگین مربعات خطای نرمال‌شده (NRMSE) برای ارزیابی پیوسته و منحنی اطمینان‌پذیری برای ارزیابی احتمالاتی، انجام گردید. نتایج نشان می‌دهد که هیچ‌کدام از مدل‌ها به تنهایی در تمامی افق‌های زمانی مورد بررسی، عملکرد مطلوبی را نداشته‌اند و استفاده منفرد از آن‌ها عملکرد مناسبی را نشان نمی‌دهد؛ درحالی که مدل ترکیبی (MME) به‌طورکلی عملکرد مناسب‌تری را نشان می‌دهد. نتایج حاصل از این تحقیق، اهمیت استفاده از همادی مدل‌های چندگانه بر مبنای نتایج خروجی چندین مدل را جهت ارتقاء مهارت پیش‌بینی بارش نشان می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Continuous and probabilistic Assessment of Long-term Precipitation Forecast of North American Multi Model Ensemble (Case Study: Karkheh Dam Basin)

نویسندگان [English]

  • Mohammad Fallah Kalaki 1
  • Majid Delavar 2
  • Ashkan Farokhnia 3
1 M.Sc. student, Water Resources Engineering Department, Tarbiat Modares University, Tehran, Iran.
2 Assistant Professor, Water Resources Engineering Department, Tarbiat Modares University, Tehran, Iran
3 Faculty member, Water Research Institute, Ministry of Energy, Tehran, Iran
چکیده [English]

In recent decades, the ability of meteorological forecasts due to urban development and climate change has become an important issue in human societies. Forecasting these variables in addition to informing different segments of society, plays an effective role in better decision making and planning in different areas, such as water resources management. Nowadays in this field, the use of numerical forecasting models is one of the most common approaches. In this study, the output of seven forecast models from the North American Multi Model Ensemble (NMME) project is used to evaluate the forecast of precipitation in Karkheh Dam basin during the 31 years period (1985-2015). For this purpose, the outputs of precipitation forecast models for 1-3 month lead times were downscaled using Multiple Linear Regression (MLR) method. Then the possibility of improving forecast skill of them has been evaluated using an ensemble model approach. The models were assessed using both continuous and probabilistic methods using Pearson correlation coefficient (ρ) and normalized root mean square error (NRMSE) and reliability diagram respectively. The results indicate that none of the forecast models performed well in all lead times alone and their individual use did not show good performance; while the Multi Model Ensemble (MME) generally shows better performance than the individual models. The results of this study, demonstrate the importance of using an ensemble model based on the outputs of several models for improving the long term precipitation forecast skill.

کلیدواژه‌ها [English]

  • skill assessment
  • Downscaling
  • Reliability
  • North American Multi Model Ensemble
  • Karkheh Dam Basin