ارزیابی دقت مدل های NMME در پیش بینی بارش ماهانه (مطالعه موردی: حوضه سفیدرود)

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 493

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_AGRIMET-7-1_001

تاریخ نمایه سازی: 17 آذر 1398

چکیده مقاله:

پیش بینی بارش در مقیاس فصلی و ماهانه اهمیت زیادی در مدیریت بهینه منابع آب و مطالعات اقلیمی-کشاورزی دارد. هدف مطالعه حاضر ارزیابی دقت مدل های NMME در پیش بینی بارش ماهانه حوضه آبریز سفیدرود است. برای این منظور، داده های پیش بینی تاریخی مدل های NMME از تارنمای دانشگاه کلمبیا و داده های بارش ایستگاه های همدیدی موجود در منطقه از سازمان هواشناسی کشور برای دوره 1982 تا 2017 دریافت شدند. با به کارگیری روش های آماری، دقت مدل های NMME در پیش بینی بارش ماهانه در مقایسه با داده های مشاهداتی ارزیابی شد. نتایج نشان داد که مدل های NMME به تنهایی دارای دقت مناسبی نمی باشد، به گونه ای که حداکثر مقدار میانگین ضریب تبیین محاسبه شده 6/0 به دست آمد. ترکیب نتایج چند مدل پیش بینی نشان داد که دقت پیش بینی ها را می توان تا حد قابل قبولی افزایش داد، به طوری که میانگین مقادیر ضریب تبیین به 7/0افزایش یافت. همچنین برای بررسی عدم قطعیت پیش بینی بارش، 78 عضو از مدل های پیش بینی مورد بررسی قرار گرفت. بر اساس نتایج، مدل ها در برخی از ماه های سال بیش برآورد (با احتمال نزدیک به 80 درصد)، دارند. همچنین تحلیل عدم قطعیت مدل‎های پیش بینی نیز نشان داد که با ترکیب نتایج مدل‎های مختلف، می‎توان بازه عدم قطعیت را کاهش داد.

نویسندگان

حسین دهبان

دانشجوی دکتری مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

کیومرث ابراهیمی

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

شهاب عراقی نژاد

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

جواد بذرافشان

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

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 :
  • Altunkaynak, A., Nigussie, T. A. 2017. Monthly water consumption prediction ...
  • Barsugli, J. J., Vogel, J. M., Kaatz, L., Smith, J. ...
  • Bruno Soares, M., Daly, M., Dessai, S. 2018. Assessing the ...
  • Dariane, A. B., Azimi, S. 2018. Streamflow forecasting by combining ...
  • Efroymson, M. A. 1960. Multiple regression analysis, Mathematical Methods for ...
  • Fallon, A. L., Villholth, K. G., Conway, D., Lankford, B. ...
  • Gharde, K. D., Kothari, M., Mahale, D. M. 2016. Developed ...
  • Khalili1, A., Rahimi, J., Bazrafshan, J. 2016. Quantitative projection of ...
  • Kirtman, B. P., Min, D., Infanti, J. M., Kinter III, ...
  • Lang, Y., Ye, A., Gong, W., Miao, C., Di, Z., ...
  • Ma, F., Luo, L., Ye, A., Duan, Q. 2018. Seasonal ...
  • Morid, S., Smakhtin, V., Moghaddasi, M. 2006. Comparison of seven ...
  • Najafi, H., Massah Bavani, P., Robertson, A. W. 2018.   Evaluation   ...
  • Nazir, H. M., Hussain, I., Faisal., M., Shoukry, A. M., ...
  • Reza, M., Harun, S., Askari, M. 2018. Streamflow forecasting in ...
  • Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., ...
  • Schick, S., Rössler, O. K., Weingartner, R. 2018. Monthly streamflow ...
  • Shamir, E. 2017. The value and skill of seasonal forecasts ...
  • Slater, L. J., Villarini, G., Bradley, A. A. 2017. Weighting ...
  • Troccoli, A. 2010. Seasonal climate forecasting. Meteorological Applications, 17(3): 251-268. ...
  • Vitart, F., Buizza, R., Balmaseda, M. A., Balsamo, G., Bidlot, ...
  • Vitart, F., Robertson, A. W., Anderson, D. L., 2012. Subseasonal ...
  • Xu, J., Zhu, X., Zhang, W., Xu, X., Xian, J. ...
  • Xu, L., Chen, N., Zhang, X., Chen, Z., Hu, C., ...
  • Yuan, X. 2014. An experimental seasonal hydrological forecasting system over ...
  • نمایش کامل مراجع