استفاده از تحلیل همبستگی متعارف در مقیاس کاهی بارش سامانه های پیش بینی فصلی و توسعه همادی چند مدلی در شرایط زمان واقعی

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 119

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JESPHYS-44-1_015

تاریخ نمایه سازی: 10 آبان 1402

چکیده مقاله:

هدف از این پژوهش، ارزیابی روش تحلیل همبستگی متعارف (CCA)در ارائه پیش­بینی­های فصلی به­صورت مقیاس­کاهیشده در یک دوره بلندمدت ۳۰ ساله است. این بررسی در غرب کشور ایران و با استفاده از برونداد بارش سامانه­های پیش­بینی فصلی همادی آمریکای شمالی انجام شد. بدین­منظور، در ابتدا بارش شبکه­بندی شده بر اساس اطلاعات سنجش ازدور(PERSIANN-CDR)با داده­های ثبت­شده از ۲۳ ایستگاه­ همدیدی ارزیابی شد. ضریب همبستگی PERSIANN-CDRبا داده­های ایستگاهی همدیدی بین ۷/۰ و ۹۵/۰ محاسبه شده است. سپس اریب داده­های سنجش ازدور به­نسبت داده های ایستگاه­های همدیدی تصحیح و در انتها هر دو مجموعه داده (سنجش از دور- ایستگاه) تلفیق شدند. از مجموعه داده تلفیق­شده به­عنوان بارش مرجع در ارزیابی سامانه­های پیش­بینی فصلی با تفکیک مکانی ۱ و ۲۵/۰ درجه (برونداد مستقیم و پس از کاربست CCA) استفاده شد. مدل­های پیش­بینیفصلی به­صورت انفرادی و وزن­دهی شده (سامانه­های همادی متشکل از ۲ تا ۸ مدل) مورد استفاده قرار گرفت. برای ارزیابی مهارت این مدل­ها، معیارهای ارزیابی شامل معیارهای پیوسته و طبقه­بندی­شده است که در دوره صحت سنجی محاسبه ­شده است. در این دوره، همبستگی اسپیرمن به­عنوان شاخص نیکویی برازش، بیشینه شده است. شاخص­های ارزیابی به صورت برونداد مستقیم و تصحیح شدهمقایسه شدند. نتایج نشان می­دهد که همه شاخص­ها پس از اعمال CCA بهبود می­یابند. لذا ­­رو­ش­شناسی پیشنهادی در مقیاس­کاهی و پس­پردازش سامانه­های پیش­بینی فصلی در محدوده مورد مطالعه کارا است. ­همچنین، سامانه همادی سه مدلی متشکل از CCSM۴، CMC۲، CFSv۲ دارای مهارت بیشتر در مقایسه با همادی هشت مدلی و سایر مدل­های انفرادی است. این سامانه که دارای همبستگی اسپیرمن بیش از ۶/۰ با داده­های مرجع می­باشد، به عنوان مدل برتر با بیشترین نیکویی برازش در محدوده مورد مطالعه است. در اکثر محدوده مورد مطالعه، GFDL-aer۰۴و سامانه­­های همادی چند مدلی توانسته­اند در ۸۰ درصد از سال­هایی که بارش زیرنرمال اتفاق افتاده، بارش زیرنرمال را به­درستی پیش­بینی نمایند. یافته­های این پژوهش، کاربست روش­شناسی پیشنهادی در پیش­بینی­ خشک سالی هواشناسی به­صورت زمان واقعی در فصل اکتبر- دسامبر در محدوده غرب کشور ایران را آشکار می­سازد.

کلیدواژه ها:

مدل های همادی آمریکای شمالی ، مقیاس کاهی ، حوضه کرخه ، همادی چند مدلی ، پیش بینی فصلی بارش

نویسندگان

Hossein Najafi

دانشجوی دکتری، گروه مهندسی منابع آب، پردیس ابوریحان دانشگاه تهران، ایران

Ali Reza Massah Bavani

دانشیار، گروه مهندسی منابع آب، پردیس ابوریحان دانشگاه تهران، ایران

Parviz Irannejad

دانشیار، گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، ایران

Andrew Viliam Robertson

مدیر مطالعات اقلیمی موسسه پژوهشی بین المللی برای اقلیم و جامعه، موسسه زمین، دانشگاه کلمبیا، نیویورک، آمریکا

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • احمدی باصری، ن.، شیروانی، ا. و ناظم السادات، م. ج.، ...
  • بابائیان، ا.، کریمیان، م.، مدیریان، ر.، بیاتانی، ف. و فهیمی­نژاد، ...
  • بابائیان، ا.، کریمیان، م. و مدیریان، ر.، ۱۳۹۳، پس­پردازش برونداد ...
  • باقرزاده، ف.، ۱۳۹۳، پیش بینی دراز مدت میزان بارش (ماهانه ...
  • بهان­سد، ۱۳۹۲، گزارش نهایی مدل­سازی برنامه­ریزی منابع آب حوضه آبریز ...
  • زهرایی، ب.، ۱۳۹۰، تدوین نرم افزار پیش بینی فصلی بارش ...
  • زهرایی، ب.، ۱۳۸۸، تدوین مدل خوشه بندی اطلاعات و سیگنال ...
  • فلاح قالهری، غ ع.، موسوی بایگی، م. و حبیبی نوخندان، ...
  • فلاح قالهری، غ. ع.، موسوی بایگی، م. و. حبیبی نوخندان، ...
  • مدرسی، ف.، عراقی­نژاد، ش.، و ابراهیمیان، ک.، ۱۳۹۴، ارزیابی راهبرد ...
  • ناظم السادات، م. و شیروانی ا.، ۱۳۸۵، پیش بینی بارش ...
  • نجفی، ح.، مساح­بوانی، ع. ر. و ایران نژاد، پ.، ۱۳۹۵، ...
  • نجفی، ح. و مساح­بوانی، ع. ر.، ۱۳۹۵، ارائه روش­های جدید ...
  • نجفی، ح.، مساح­بوانی، ع. ر. و ایران­نژاد، پ.، ۱۳۹۶، کاربست ...
  • نیکبخت شهبازی، ع.ر.، زهرایی، ب. و ناصری، م.، ۱۳۹۱، پیش­بینی ...
  • Ashoori, H., Hsu, K. L., Sorooshian, S. and Braithwaite, D. ...
  • Barbero, R., Abatzoglou, J. and Hegewisch, K., ۲۰۱۷, Evaluation of ...
  • Dirks, K. N., Hay, J. E., Stow, C. D. and ...
  • Ehsan, M. A., Tippett, M. K., Almazroui, M., Ismail, M., ...
  • Gent, P. R., Yeager, S. G., Neale, R. B., Levis, ...
  • Hsieh, H. H., Cheng, S. J., Liou, J. Y., Chou, ...
  • Ines, A. V. M. and Hansen, J. W., ۲۰۰۶, Bias ...
  • Katiraie-Boroujerdy, P. S., Ashouri, H., Hsu, K. and Sorooshian, S., ...
  • Katiraie-Boroujerdy, P. S., Akbari Asanjan, A., Hsu, K. L. and ...
  • Kirtman, B. P., Min, D., Infanti, J. M., Kinter III, ...
  • Kong, Y. F. and Tong, W. W., ۲۰۰۸, Spatial exploration ...
  • Kurtzman, D. Navon, S. and Morin, E., ۲۰۰۹, Improving interpolation ...
  • Li, B. Huang, J. F. Jin, Z. F. and Liu, ...
  • Ma, F., Ye, A., Deng, X., Zhou, Z., Liu, X., ...
  • Mason, S. J. and Tippett, M. K., ۲۰۱۷, Climate Predictability ...
  • Merryfield, W. J., Lee, W. S., Boer, G. J., Kharin, ...
  • Najafi, H., Massah Bavani, A. R., Wanders, N., Wood, E., ...
  • Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., ...
  • Shirvani, A. and Landman, A. W., ۲۰۱۶, Seasonal precipitation skill ...
  • Wilks, D. S., ۲۰۱۱, Statistical methods in the atmospheric sciences. ...
  • Vernieres, G., Rienecker, M., Kovach, R. and Keppenne, C. H. ...
  • Wu, L., Wu, X. J., Xiao, C. C. and Tian, ...
  • Zhang, S., Harrison, J., Rosati, M. J. and Wittenberg A. ...
  • Zohrabi, N., Goodarzi, E., Massah Bavani, A. R. and Najafi, ...
  • نمایش کامل مراجع