بررس کارایی مدل پیش‌بینی احتمالاتی تغییرات فصلی بارش در ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات‌علمی پژوهشکده مطالعات و تحقیقات منابع آب، مؤسسه تحقیقات آب،

2 پژوهشگر پژوهشکده مطالعات و تحقیقات منابع آب، مؤسسه تحقیقات آب

چکیده

این مطالعه به بررسی کارایی یک مدل همادی در مقیاس زمانی فصلی برای تولید پیش‌بینی احتمالاتی با استفاده از مدل WRF جهت پیش‌بینی بارش در ایران پرداخته شده است. این مدل از اجرای مدل WRF با 4 پیکربندی مختلف و با 16 حالت شرایط اولیه و مرزی مختلف حاصل از پیش‌بینی‌های مدل CFSv.2 تشکیل شده است و مجموعاً دارای 64 عضو است. صدک‌های 33 و 66‌ام مبنای بارش‌های زیر نرمال، نرمال و بالای نرمال بوده و دوره تاریخی اجرای مدل سال‌های 2000 تا 2019 است. دوره عملیاتی جهت بررسی کارایی مدل نیر زمستان سال 2020 می‌باشد و سنجه‌های ارزیابی هم دو نمایه ضریب همبستگی و جذر میانگین مجذور خطا است. نتایج این مطالعه نشان می‌دهد که پیش‌بینی بارش در مقیاس فصلی در ایران دارای عدم قطعیت بالایی است و ارائه پیش‌بینی‌ها به صورت احتمالاتی هرچند می‌تواند از کارایی بیشتری نسبت به پیش‌بینی قطعی برخوردار باشد اما همچنان دارای عدم قطعیت است. توزیع فضایی خطای پیش‌بینی‌ مدل در دوره تاریخی وابسته به پراکندگی مکانی بارش و فاصله از مبدأ زمانی پیش‌بینی است، به‌طوری‌که در پیش‌دید اول کارایی مدل بهتر از پیش‌دید دوم و سوم است و از طرف دیگر در شرق و جنوب شرق کشور مدل از عدم قطعیت بالاتری نسبت به نواحی دیگر کشور برخوردار است. پیاده‌سازی این مدل برای یک دوره عملیاتی نشان داد که هرچند مدل می‎‌تواند تغییرات فضایی بارش در کشور را در سه پیش‌دید مورد بررسی پیش‌بینی نماید اما پیش‌بینی احتمالاتی هم نمی‌تواند به میزان قابل توجهی از عدم قطعیت مدل‌های عددی در پیش‌بینی فصلی بارش را کاهش دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigate the efficiency of the probabilistic forecasting model of seasonal precipitation variation over Iran

نویسندگان [English]

  • Mohammad Saeed Najafi 1
  • Hossein Dehban 2
1 Department Member of Water Research Institute (WRI)
2 Research Expert of Water Research Institute (WRI)
چکیده [English]

This study evaluates the performance of an ensemble framework using the Weather Research and Forecasting (WRF) model for probabilistic seasonal precipitation forecasts. In this study, two types of data were used: a) The meteorological initial and boundary conditions come from the National Centers for Environmental Prediction (NCEP) Climate Forecast System Version 2 (CFSv2) data. b) Precipitation data from the Global Precipitation Climatology Centre (GPCC) dataset used as observational data over Iran. The ensemble model was designed based on a one-way double-nested (60-parent domain and 20-nested Km resolutions) modeling system using Weather Research and Forecasting (WRF) version 4.2 customized over Iran to downscale the second version of the NCEP Climate Forecast System (CFSv2). The results showed that precipitation forecast at seasonal time scale in Iran has high uncertainty. Although probabilistic forecasts can increase the efficacy of seasonal forecasts more than deterministic, the uncertainty of these forecasts is still high. Additionally, the downscaling of the CFS.v2 model by WRF and using multiple initial conditions and model physics can increase the accuracy of seasonal forecasts. The spatial distribution of the forecast accuracy of the ensemble model is dependent on the spatial distribution of precipitation over Iran. Another factor that affects the model's accuracy is the forecast lead time dependent especially at 2-month and 3-month forecast lead times. The results showed that the model has high uncertainty in the east and southeast of Iran. The implementation of this model for an operational period showed that although the model can forecast the spatial variation of rainfall over Iran up to a three-month lead time, probabilistic forecasting cannot significantly reduce the uncertainty of the model in a seasonal time scale. The ensemble model tends to overestimate precipitation in the third lead time.

کلیدواژه‌ها [English]

  • Probabilistic forecasting
  • Ensemble model
  • Seasonal precipitation
  • statistical metrics
  • Iran

مراجع

  1. بابائیان ا.، کریمیان م. و مدیریان ر. 1391. پس پردازش برونداد مدل دینامیکی MRI-CGCM3 برای پیش‏بینی فصلی بارش استان خراسان رضوی. مجله ژئوفیزیک ایران، 7(3)، 119-133.
  2. دهبان ح.، ابراهیمی ک.، عراقی نژاد ش.، بذرافشان ج. (1398). ارزیابی دقت مدل‌های NMME در پیش‌بینی بارش ماهانه (مطالعه موردی: حوضه سفیدرود)، هواشناسی کشاورزی، دوره 7 (1)، 3-12
  3. موسوی س. م.، آخوندعلی ع. م.، شهبازی ع. 1398. تحلیل پیش بینی گروهی بارش مدل CFSv2 با رویکرد مدیریت منابع آب (مطالعه موردی: حوضه آبریز سد دز)، تحقیقات منابع آب ایران، 15(4)، 92-106.
  4. نجفی ح.، مساح بوانی ع.ر.، ایران نژاد پ.، رابرتسون ا. 1396. کاربست مدل‌های همادی آمریکای شمالی در پیش بینی فصلی بارش گستره ی ایران. تحقیقات منابع آب ایران, 13(4)، 28-38.‎
  5. Agyeman, R. Y. K., Annor, T., Lamptey, B., Quansah, E., Agyekum, J., & Tieku, S.A. 2017. Optimal physics parameterization scheme combination of the weather research and forecasting model for seasonal precipitation simulation over Ghana: Advances in Meteorology, 2017, 1-15.
  6. Alizadeh‐Choobari, O. 2019. Dynamical downscaling of CSIRO‐Mk3. 6 seasonal forecasts over Iran with the regional climate model version 4: International Journal of Climatology, 39(7). 3313-3322.
  7. Bierkens, M.F.P., & Van Beek, L.P.H. 2009. Seasonal predictability of European discharge: NAO and hydrological response time. Journal of Hydrometeorology, 10(4), 953-968.
  8. Darand, M., & Khandu, K. 2020. Statistical evaluation of gridded precipitation datasets using rain gauge observations over Iran: Journal of Arid Environments, 178, 104172.
  9. Frnda, J., Durica, M., Rozhon, J., Vojtekova, M., Nedoma, J., & Martinek, R. 2022. ECMWF short-term prediction accuracy improvement by deep learning. Scientific Reports, 12(1), 7898.
  10. Infanti, J.M., & Kirtman, B.P. 2014. Southeastern US rainfall prediction in the North American multi-model ensemble. Journal of Hydrometeorology, 15(2), 529-550.
  11. Krishnamurti, T. N., Kishtawal, M., Zhang, Z., LaRow, T., Bachiochi, D., Williford, E., Gadgil, S. and Surendran, S. 1999. Improved weather and seasonal climate forecasts from multimodel superensemble, Science, 285, 1548–1550.
  12. Lang, Y., Ye, A., Gong, W., Miao, C., Di, Z., Xu, J., & Duan, Q. 2014. Evaluating skill of seasonal precipitation and temperature predictions of NCEP CFSv2 forecasts over 17 hydroclimatic regions in China. Journal of Hydrometeorology, 15(4), 1546-1559.
  13. Le, P. V., Randerson, J. T., Willett, R., Wright, S., Smyth, P., Guilloteau, C., & Foufoula-Georgiou, E. 2023. Climate-driven changes in the predictability of seasonal precipitation. Nature communications, 14(1), 3822.
  14. Miller, S., Mishra, V., Ellenburg, W. L., Adams, E., Roberts, J., Limaye, A., & Griffin, R. 2021. Analysis of a short-term and a seasonal precipitation forecast over Kenya. Atmosphere, 12(11), 1371.
  15. Neelin, J.D. 2011. Climate Change and Climate Modeling. Cambridge: Cambridge University Press p. 282.
  16. Phan-Van, T., Nguyen-Xuan, T., Van Nguyen, H., Laux, P., Pham-Thanh, H. and Ngo-Duc, T. 2018. Evaluation of the NCEP Climate Forecast System and Its Downscaling for Seasonal Rainfall Prediction over Vietnam. Wea. Forecasting, 33, 615–640.
  17. Pinheiro, E., & Ouarda, T. B. 2023. Short-lead seasonal precipitation forecast in northeastern Brazil using an ensemble of artificial neural networks. Scientific Reports, 13(1), 20429.
  18. Singh, J., Yeo, K., Liu, X., Hosseini, R., & Kalagnanam, J. R. 2015, Evaluation of WRF model seasonal forecasts for tropical region of Singapore: Advances in Science and Research, 12(1), 69-72.
  19. Wood, A. W., & Lettenmaier, D. P. 2008. An ensemble approach for attribution of hydrologic prediction uncertainty. Geophysical Research Letters, 35(14).
  20. Yun, W. T., Stefanova, L., & Krishnamurti, T. N. 2003. Improvement of the multimodel superensemble technique for seasonal forecasts. Journal of Climate, 16(22), 3834-3840.

 

 

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار