@article { author = {Babaeian, I. and Karimian, M. and Modirian, R. and Bayatani, F. and Fahiminejad, E.}, title = {Performance of statistical post processing techniques in improvement of monthly precipitation forecast of MRI-CGCM3 model over Khorasan-Razavi}, journal = {Iran-Water Resources Research}, volume = {12}, number = {2}, pages = {83-92}, year = {2016}, publisher = {Iranian Water Resources Association}, issn = {1735-2347}, eissn = {2476-7360}, doi = {}, abstract = {Precipitation forecast in monthly to seasonal time scales is one of the challenges facing the Iran meteorological organization. It is also one of the fundamental needs of water resources management in agriculture, industry and drinking water sectors. Development of numerical prediction in monthly time scale is much less than numerical short term prediction in Iran; in this regard, despite to short term weather prediction, there is no operational numerical monthly to seasonal forecast model in Iran. Lack of a reliable operational seasonal forecast system cause huge damages to water resources, agriculture and natural resources sectors in all country regions. MRI-CGCM3 is the operational dynamical seasonal forecast model which is being used in Japan Meteorological Administration (JMA). In this paper output of MRI-CGCM3 was post processed using three different techniques of multiple regressions (MR), moving average (MA) and artificial neural network (ANN) over three sites of Mashad, Sabzevar and Torbat-e-heydarieh. Post processed monthly precipitation obtained from three different methods were compared with Direct Model Output (DMO).Performance of monthly forecast has been increased by 6% up to 20% when applying post processing techniques to direct model output. Result confirmed that multiple regressions (MR) techniques have the highest performance in improvement of monthly forecast skill over selected stations among all three post processing techniques.}, keywords = {Numerical Prediction,MRI-CGCM3,post processing,Precipitation,Khorasan Razavi}, title_fa = {کارآیی روش های پس پردازش آماری در بهبود پیش بینی ماهانه بارش مدل MRI-CGCM3 در خراسان رضوی}, abstract_fa = {پیش بینی ماهانه بارش یکی از موضوعات چالشی در حوزه هیدرواقلیم می باشد. از آنجا که استفاده عملیاتی از مدل های عددی پیش بینی ماهانه در کشورمان به اندازه مدل های کوتاه مدت نمی باشد، لذا تاکنون مدل های پیش بینی عددی ماهانه در کشورمان عملیاتی نشده اند؛ دو دلیل مهم این مشکل عدم دسترسی به کد مدل دینامیکی جهانی و عدم وجود داده های شرایط اولیه برای آغازگری آنها می باشند. این وضعیت موجب می شود تا هر ساله به دلیل عدم وجود سامانه پیش بینی فصلی قابل اعتماد، خسارات سنگینی به بخش های منابع آب، کشاورزی و منابع طبیعی کشورمان وارد گردد. به همین دلیل در این تحقیق برونداد مدل پیش بینی فصلی دینامیکی MRI-CGCM3 که هم اکنون در سازمان هواشناسی ژاپن برای پیش بینی ماهانه متغیرهای هواشناسی استفاده می شود، به سه روش رگرسیون چندگانه، میانگین متحرک و شبکه عصبی مصنوعی بر روی ایستگاههای سینوپتیک مشهد، سبزوار و تربت حیدریه پس پردازش شدند. بارش پس پردازش شده به روش های یاد شده با برونداد مستقیم مدل (DMO) مقایسه گردیدند. نتایج نشان می دهند که اعمال پس پردازش آماری بر روی برونداد مستقیم مدل موجب بهبود پیش بینی ماهانه بارش بین 6 درصد در روش میانگین متحرک تا 20 درصد در روش رگرسیون چند متغیره می باشد و کارآیی روش رگرسیون چندگانه به مراتب از دو روش میانگین متحرک و شبکه عصبی بهتر است. بر اساس منحنی ROC، پیش بینی های در محدوده نرمال تا بیش از نرمال از صحت بیشتری برخوردار می باشند.}, keywords_fa = {پیش بینی عددی,مدل MRI-CGCM3,پس پردازش,بارش,خراسان رضوی}, url = {https://www.iwrr.ir/article_14877.html}, eprint = {https://www.iwrr.ir/article_14877_152e2002b7991fdd310691744096589d.pdf} }