پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

پس پردازش آماری مدل داده محور برآورد تغییرات مکانی بارش در زاگرس میانی

نوع مقاله : مقاله پژوهشی

نویسنده
محمدسعید نجفی
استادیار پژوهشکده مطالعات و تحقیقات منابع آب، مؤسسه تحقیقات آب، وزارت نیرو، تهران، ایران
10.30488/ccr.2025.555716.1310
چکیده
این مطالعه با هدف برآورد مکانی بارش در منطقه زاگرس میانی بر اساس روابط بین بارش و عوامل جغرافیایی، استفاده از مدل‌های داده محور و همچنین اهمیت پس‌پردازش آماری در برونداد مدل‌ها انجام شده است. برای مدل‌سازی بارش از روش شبکه‌های عصبی مصنوعی استفاده شد. مناسب‌ترین ساختار شبکه (آرایش دو لایه پنهان ۱-۸-۸) با قانون آموزش مارکوات-لونبرگ تعیین شد و میزان تبیین واریانس بارش توسط مدل ارائه شده برای برآورد مکانی بارش در زاگرس میانی 50 درصد (R2=0.5) است. به منظور افزایش دقت مدل، از روش‌های مختلف تصحیح خطا جهت پس‌پردازش خروجی‌های مدل استفاده شد. این مرحله باعث بهینه‌سازی شبیه‌سازی‌ها به میزان ۵ تا ۱۰ درصد شد. در این میان، روش نگاشت چندک (QM) با ارتقاء همبستگی نهایی شبیه‌سازی‌های مدل با مقادیر مشاهداتی از 71/0 به 81/0، بهترین عملکرد را در بین روش‌های مورد بررسی داشت. این بهینه‌سازی، ضرورت پس‌پردازش را در تصحیح خطای سیستماتیک مدل‌های داده‌محور برای رسیدن به دقت مورد نیاز در تخمین بارش و مدیریت منابع آب در مناطق کوهستانی پیچیده را تأیید می‌کند. نتایج این مطالعه نشان داد که ارتفاع، مهم‌ترین عامل کنترل‌کننده بارش در منطقه زاگرس میانی است و یک رابطه قوی و مثبت بین بارش و ارتفاع وجود دارد. با این حال، تحلیل نیمرخ‌های ارتفاعی آشکار کرد که حداکثر بارش در ارتفاعی حدود ۲۵۰۰ متر تا خط الرأس رخ می‌دهد و عیناً منطبق با حداکثر ارتفاع در خط‌الرأس نیست؛ این امر فرضیه تکمیل فرآیند تخلیه رطوبت توده‌های هوا قبل از رسیدن به خط‌الرأس اصلی را تأیید می‌کند.
کلیدواژه‌ها
بارش ارتفاع مدل داده محور تصحیح خطا زاگرس میانی
موضوعات

عنوان مقاله English

Statistical Post-processing of the Data-Driven Model for Estimating Spatial Precipitation Changes in the Middle Zagros

نویسنده English

Mohammad Saeed Najafi
Assistant Professor, Water Research Institute, Ministry of Energy, Tehran, Iran
چکیده English

This study aims to spatially estimate precipitation in the Central Zagros region based on the relationship between precipitation and geographical factors, using data-driven models, and highlighting the importance of statistical post-processing in model outputs. To model precipitation, the Artificial Neural Network (ANN) method was employed. The most suitable network structure was determined using the LM training algorithm. The resulting model demonstrates an explanatory power of 50% (R2=0.5) for the spatial estimation of precipitation in the Central Zagros. To enhance model accuracy, various error correction methods were used for post-processing the model outputs. This stage resulted in an optimization of the simulations by 5 to 10 percent. Among the methods investigated, the Quantile Mapping (QM) method exhibited the best performance, increasing the final correlation between the model simulations and observational values to 0.81. This optimization confirms the necessity of post-processing for correcting the systematic error of data-driven models to achieve the required accuracy in precipitation estimation and water resource management in complex mountainous regions. The results of this study indicated that elevation is the most important controlling factor of precipitation in the Central Zagros region, with a strong and positive relationship between precipitation and elevation. However, the analysis of elevational profiles revealed that the maximum precipitation occurs at an elevation of approximately 2500 meters up to the ridge line, and does not exactly coincide with the maximum elevation at the ridge line. This pattern emphasizes that the most effective orographic condensation processes occur at a level below the summit and may extend up to the ridge line.

کلیدواژه‌ها English

Precipitation Elevation Data
driven model Bias correction Middle Zagros
1.   پودینه، ام البنین؛ دلبری، معصومه؛ حقیقت جو، پرویز و امیری، میثم. 1394. تحلیل مکانی تغییرات بارش با در نظر گرفتن متغیرهای ارتفاع و فاصله تا دریا (مورد مطالعه: استان سیستان و بلوچستان). پژوهش‌های جغرافیای طبیعی, 47(4), 607-636.
2.   رضیئی، طیب و عزیزی، قاسم. 1386. منطقه بندی رژیم بارشی غرب ایران  با استفاده از روش‌های تحلیل مولفه‌های اصلی و خوشه بندی. تحقیقات منابع آب ایران, 3(2), 62-65.
3.   زارع ابیانه، حمید؛ بیات ورکشی، مریم؛ معروفی، صفر و ایلدرومی، علیرضا. 1390. شبیه سازی سطح ایستابی دشت ملایر براساس داده‌های هواشناسی با استفاده از شبکه‎ی عصبی مصنوعی. پژوهش‌های جغرافیای طبیعی، 43(78)، 17-28.
4.   ساری صراف، بهروز، و رجایی، عبدالحمید و مصری علمداری، پریچهر. 1388. بررسی رابطه بین بارش و توپوگرافی در دامنه‌های شرقی و غربی منطقه کوهستانی تالش. جغرافیا و برنامه ریزی محیطی (مجله پژوهشی علوم انسانی دانشگاه اصفهان)، 20(3 (پیاپی 35))، 63-84.
5.   شعبان پور، فاطمه؛ بذرافشان، جواد و عراقی نژاد، شهاب. 1399. ارزیابی تاثیر روش‌های تصحیح اریبی بر مهارت پیش‌بینی فصلی بارش مدل اقلیمی CFSv2. تحقیقات آب و خاک ایران، 51.12 ، 3017-3032.‎
6.   صفرراد، طاهر؛ عزیزی، قاسم؛ فرجی سبکبار، حسنعلی؛ عباسپور، رحیم‌علی . 1392. تحلیل مکانی تغییرات بارش در زاگرس میانی از طریق روش‌های زمین آمار (1995-2004). مجله جغرافیا و توسعه، 11(31)، 149-164.
7.   عزیزی، قاسم؛ فرجی سبکبار، حسنعلی؛ عباسپور، رحیم‌علی و صفرراد، طاهر. 1389. مدل تغییرات مکانی بارش در زاگرس میانی، پژوهش‌های جغرافیای طبیعی، 42(72)، 35-51.
8.   عساکره، حسین؛ بارزمان، سپیده؛ شاهبایی کوتنایی، علی. 1399. واکاوی الگوی مکانی بارش‌های بهاره شمال غرب ایران با روش‌های تحلیل فضایی. جغرافیا و برنامه‌ریزی، 24(74)، 153-164.‎
9.   عیسی زاده، محمد؛ منیر، شیرزاد؛ رضایی بنفشه، مجید. 1396، ارزیابی عملکرد شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین مقادیر روزانه تبخیر (مطالعه موردی: ایستگاه‌های هواشناسی تبریز و مراغه)، پژوهش‌های جغرافیای طبیعی، 49 (1)، 151-168.
10.              غیور، حسنعلی و مسعودیان، سید ابوالفضل. 1375. بررسی مکانی رابطه بارش با ارتفاع در ایران زمین، تحقیقات جغرافیای، 41، 124-143
11.  کلاچیان، رویا؛ ثقفیان، بهرام؛ معظمی، صابر. 1399. ارزیابی کارایی روش‌های پس پردازش و اصلاح اریبی بر پیش بینی‌های ماهانه بارش و دما در حوضه کارون. تحقیقات منابع آب ایران ، 16(4)، 98-111.‎
12.  مجرد، فیروز و مرادی فر، حاجیمراد. 1382. مدل‌سازی رابطه بارش با ارتفاع در منطقه زاگرس، مدرس، 7(1)، 163-181
13. نوبخت، مسعود؛ ثقفیان، بهرام و امین یاوری، صالح . 1401. ارزیابی تأثیر پس‌پردازش بر بهبود مهارت پیش‌بینی‌های همادی فصلی بارش و دما پایگاه داده C3S در ایران. تحقیقات منابع آب ایران18(4)، 162-178.
14. هادیانی، میر امید؛ جهانبخش، سعید؛ رضایی بنفشه، مجید؛ دین پژوه، یعقوب. 1390. نقش شرایط توپوگرافی در برآورد گرادیان بارندگی طبقات ارتفاعی مناطق کوهستانی: مطالعه موردی دامنه شمالی البرز مرکزی. علوم و فنون منابع طبیعی، 6 (2)، 15-25.
15.              Ajaaj, A., Mishra, A.K., Khan, A.A. 2015. Comparison of bias correction techniques for GPCC rainfall. Stochastic Environmental Research and Risk Assessment, 30(6),1659-1675.
16.              Akponi, F. P., Moumouni, S., Zahiri, E.-P., Kacou, M., & Gosset, M. 2025. Using an Artificial Neural Network to Assess Several Rainfall Estimation Algorithms Based on X-Band Polarimetric Variables in West Africa. Atmosphere, 16(4), 371.
17.              Alijani, B., O’Brien, J., Yarnal, B. 2008. Spatial analysis of precipitation intensity and concentration in Iran. Theoret. Appl. Climatol. 94 (1), 107–124.
18.              Aminyavari, S., Saghafian, B., Delavar, M. 2018. Evaluation of TIGGE ensemble forecasts of precipitation in distinct climate regions in Iran. Advances in Atmospheric Sciences, 35(4), 457–468.
19.              Attorre, F., Alfo, M., De Sanctis, M., Francesconi, F., and Bruno, F. 2007. Comparison of interpolation methods for mapping climatic and bioclimatic variables at regional scale, International Journal of Climatology. DOI:10. 1002/joc. 1495.
20.              Bouach, A. 2024. Artificial neural networks for monthly precipitation prediction in north-west Algeria: a case study in the Oranie-Chott-Chergui basin. Journal of Water and Climate Change, 15(2), 582-592.
21.              Daly, C., Nelson, R.P., Phillips, D.L.. 1994. A Statistical-Topographic model for Mapping Climatological Precipitation over Mountainous Terrain, Journal of Applied Meteorology, 33, 140-158.
22.              Fang, G. H., Yang, J., Chen, Y. N., Zammit, C .2015. Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrology and Earth System Sciences, 19(6), 2547–2559.
23.              Frías, M. D., Iturbide, M., Manzanas, R., Bedia, J., Fernández, J., Herrera, S. 2018. An R package to visualize and communicate uncertainty in seasonal climate prediction. Environmental Modelling & Software, 101, 99-110.
24.              Gan, Y., Li, Y., Wang, L., Zhao, L., Fan, L., Xu, H., & Yin, Z. (2024). Machine-learning downscaling of GPM satellite precipitation products in mountainous regions: A case study in Chongqing. Atmospheric Research, 311, 107698.
25.              Gardner, M.W. and Dorling, S.R. 1998. Artificial neural networks (the multilayer perceptron) – a review of applications in the atmospheric sciences. Atmospheric Environment, 32: 2627-2636.
26.              Gudmundsson, L. 2016. Statistical transformations for post-processing climate model output. https://cran.rproject.org/web/packages/qmap/.
27.              Gudmundsson, L., Bremnes, J.B., Haugen, J.E., Engen-Skaugen, T. 2012. Technical note: Downscaling RCM precipitation to the station scale using statistical transformations- A comparison of methods. Hydrology and Earth System Sciences, 16, 383-3390
28.              Katipoğlu, O. M., & Keblouti, M. 2024. Comparative analysis of data-driven models and signal processing techniques in the monthly maximum daily precipitation prediction of El Kerma station Northeast of Algeria. Soft Computing, 28(17), 10751-10765.
29.              Khajehei, S., & Moradkhani, H. 2017. Towards an improved ensemble precipitation forecast: A probabilistic post-processing approach. Journal of Hydrology, 546, 476-489.
30.              Li, Y., Jiang, Y., Lei, X., Tian, F., Duan, H., and Lu, H. 2017. Comparison of precipitation and streamflow correcting for ensemble streamflow forecasts. Water, 10(2),177
31.              Lloyd, C, D. 2005. Assessing the Effect of Integrating Elevation data into the Estimation of Monthly Precipitation in Great Britain, Journal of Hydrology, 308, 128-150.
32.              Luo, L., Zhao, Y., Duan, Y., Dan, Z., Acharya, S., Jimi, G., Bai, P., Yan, J., Chen, L., Yang, B., & Xu, T. 2024. Relationships between Precipitation and Elevation in the Southeastern Tibetan Plateau during the Active Phase of the Indian Monsoon. Water, 16(18), 2700. https://doi.org/10.3390/w16182700
33.              Marquı́nez, J., Lastra, J., & Garcı́a, P. 2003. Estimation models for precipitation in mountainous regions: the use of GIS and multivariate analysis. Journal of hydrology, 270(1-2), 1-11.
34.              Saeidabadi, R., Najafi, M. S., Roshan, G., Fitchett, J. M., & Abkharabat, S. 2016. Modelling spatial, altitudinal and temporal variability of annual precipitation in mountainous regions: The case of the Middle Zagros, Iran. Asia-Pacific Journal of Atmospheric Sciences, 52(5), 437-449.
35.              Salimi, A. H., Masoompour Samakosh, J., Sharifi, E., Hassanvand, M. R., Noori, A., & von Rautenkranz, H. 2019. Optimized artificial neural networks-based methods for statistical downscaling of gridded precipitation data. Water, 11(8), 1653.
36.              Sasaki, H., & Kurihara, K. 2008. Relationship between precipitation and elevation in the present climate reproduced by the non-hydrostatic regional climate model. Sola, 4, 109-112
37.              Schepen, A., Zhao, T., Wang, Q. J., & Robertson, D. E. 2017. A new method for post-processing daily sub-seasonal to seasonal rainfall forecasts from GCMs and evaluation for 12 Australian catchments. Hydrol Earth Syst Sci Discuss, 1-27.
38.              Taylor, W.G, 1996. Statistical Relationships between Topography and precipitation in Mountainous Area, Northwest Science, 70(2), 164-178.
39.              Voisin, N., Schaake, J. C., & Lettenmaier, D. P. 2010. Calibration and downscaling methods for quantitative ensemble precipitation forecasts. Weather and Forecasting, 25(6), 1603-1627.
40.              Wang, J., Chen, J., Shen, P., Guan, X., Liu, X., Massari, C. & Yong, B. 2025. Regional-scale intelligent optimization and topography impact in restoring global precipitation data gaps. Communications Earth & Environment, 6(1), 671.
41.              Zhao, T., Bennett, J. C., Wang, Q. J., Schepen, A., Wood, A. W., Robertson, D. E., & Ramos, M. H. 2017. How suitable is quantile mapping for postprocessing GCM precipitation forecasts?. Journal of Climate, 30(9), 3185-3196.