ارزیابی پیوسته و احتمالاتی پیش‌بینی‌های بلندمدت بارش مدل‌های همادی آمریکای شمالی (مطالعه موردی: حوضه آبریز سد کرخه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد/ گروه مهندسی منابع آب، دانشگاه تربیت مدرس، تهران، ایران.

2 استادیار/ گروه مهندسی منابع آب، دانشگاه تربیت مدرس، تهران، ایران

3 عضو هیئت علمی/ موسسه تحقیقات آب، وزارت نیرو، تهران، ایران.

چکیده

در دهه‌های اخیر قابلیت پیش‌بینی‌های هواشناسی به دلیل توسعه شهری و تغییر‌اقلیم به امری مهم در جوامع بشری تبدیل شده است. پیش‌بینی این متغیرها علاوه بر آگاهی دادن به بخش‌های گوناگون جامعه، نقش موثری را در تصمیم‌گیری و برنامه‌ریزی بهتر در زمینه‌های مختلف، نظیر مدیریت منابع آبی، ایفا می‌نمایند. امروزه در این حوزه، بکارگیری مدل‌های پیش‌بینی عددی وضع آب و هوا یکی از متداول‌ترین رویکردها به شمار می‌روند و تلاش‌های فراوانی برای توسعه مدل‌های جدید و بهبود نتایج پیش‌بینی‌های آن‌ها در سطح جوامع علمی جهان در جریان می‌باشد. در این تحقیق، برونداد هفت مدل پیش‌بینی از مجموعه مدل‌های همادی چندگانه آمریکای شمالی به‌منظور ارزیابی پیش‌بینی بارش حوضه سد کرخه در دوره 31 ساله (2015-1985) به‌کار گرفته شده است. بدین منظور پس از مقیاس‌کاهی برونداد مدل‌های پیش‌بینی در افق‌های زمانی 1 تا 3 ماهه با استفاده از روش رگرسیون خطی چندگانه (MLR) ، امکان بهبود آن‌ها با استفاده از رویکرد ترکیب مدل‌ها مورد بررسی قرار گرفته است. ارزیابی کارایی مدل‌ها با استفاده از شاخص‌های ضریب همبستگی پیرسون (ρ) و ریشه میانگین مربعات خطای نرمال‌شده (NRMSE) برای ارزیابی پیوسته و منحنی اطمینان‌پذیری برای ارزیابی احتمالاتی، انجام گردید. نتایج نشان می‌دهد که هیچ‌کدام از مدل‌ها به تنهایی در تمامی افق‌های زمانی مورد بررسی، عملکرد مطلوبی را نداشته‌اند و استفاده منفرد از آن‌ها عملکرد مناسبی را نشان نمی‌دهد؛ درحالی که مدل ترکیبی (MME) به‌طورکلی عملکرد مناسب‌تری را نشان می‌دهد. نتایج حاصل از این تحقیق، اهمیت استفاده از همادی مدل‌های چندگانه بر مبنای نتایج خروجی چندین مدل را جهت ارتقاء مهارت پیش‌بینی بارش نشان می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Continuous and probabilistic Assessment of Long-term Precipitation Forecast of North American Multi Model Ensemble (Case Study: Karkheh Dam Basin)

نویسندگان [English]

  • Mohammad Fallah Kalaki 1
  • Majid Delavar 2
  • Ashkan Farokhnia 3
1 M.Sc. student, Water Resources Engineering Department, Tarbiat Modares University, Tehran, Iran.
2 Assistant Professor, Water Resources Engineering Department, Tarbiat Modares University, Tehran, Iran
3 Faculty member, Water Research Institute, Ministry of Energy, Tehran, Iran
چکیده [English]

In recent decades, the ability of meteorological forecasts due to urban development and climate change has become an important issue in human societies. Forecasting these variables in addition to informing different segments of society, plays an effective role in better decision making and planning in different areas, such as water resources management. Nowadays in this field, the use of numerical forecasting models is one of the most common approaches. In this study, the output of seven forecast models from the North American Multi Model Ensemble (NMME) project is used to evaluate the forecast of precipitation in Karkheh Dam basin during the 31 years period (1985-2015). For this purpose, the outputs of precipitation forecast models for 1-3 month lead times were downscaled using Multiple Linear Regression (MLR) method. Then the possibility of improving forecast skill of them has been evaluated using an ensemble model approach. The models were assessed using both continuous and probabilistic methods using Pearson correlation coefficient (ρ) and normalized root mean square error (NRMSE) and reliability diagram respectively. The results indicate that none of the forecast models performed well in all lead times alone and their individual use did not show good performance; while the Multi Model Ensemble (MME) generally shows better performance than the individual models. The results of this study, demonstrate the importance of using an ensemble model based on the outputs of several models for improving the long term precipitation forecast skill.

کلیدواژه‌ها [English]

  • skill assessment
  • Downscaling
  • Reliability
  • North American Multi Model Ensemble
  • Karkheh Dam Basin
Altunkaynak A and Nigussie TA (2017) Monthly water consumption prediction using season algorithm and wavelet transform–based models. Journal of Water Resources Planning and Management 143(6):04017011
Atmospheric Science and Meteorological Research Center (2018) Seasonal precipitation forecast. http://www.asmerc.ac.ir/page.asp?id=19 (In Persian)
Babaeian I, Karimian M, Ashouri H, Modirian R, Khazanedari L, Malusi Sh, Kuhi M, Mohamadian A, Fattahi E (2017) Providing monthly composite APHRODITE-observed precipitation data over Iran’s southwest watersheds 30(3):964-984 (In Persian)
Barbero R, Abatzoglou JT, Hegewisch KC (2017) Evaluation of statistical downscaling of North American multimodel ensemble forecasts over the western United States. Weather and Forecasting 32(1):327-341
Fallah Ghalhary GA, Mousavi Baygi SM, Habibi Nokhandan M (2009) Using statistical model for seasonal rainfall forecasting based on synoptic patterns of atmospheric upper levels. Water and Soil Science 19(1):125-14
Fallon AL, Villholth KG, Conway D, Lankford B A, Ebrahim GY (2019) Agricultural groundwater management strategies and seasonal climate forecasting: Perceptions from Mogwadi (Dendron), Limpopo, South Africa. Journal of Water and Climate Change 10(1):142-157
Infanti JM and Kirtman BP (2016) Prediction and predictability of land and atmosphere initialized CCSM4 climate forecasts over North America. Journal of Geophysical Research: Atmospheres 121(21):12-690
Khajehei S, Ahmadalipour A, and Moradkhani H (2018) An effective post-processing of the North American Multi-Model Ensemble (NMME) precipitation forecasts over the continental US. Climate Dynamics 51(1-2):457-472
Kim G, Ahn JB, Kryjov VN, Sohn SJ, Yun WT, Graham R, Ceron JP (2016) Global and regional skill of the seasonal predictions by WMO lead centre for long‐range forecast multi‐model ensemble. International Journal of Climatology 36(4):1657-1675
Kirtman BP and Coauthors (2014) The north American multimodel ensemble phase-1 seasonal-tointerannual prediction; phase-2 toward developing intraseasonal prediction. Bulletin of Amererican Meteorological Society 95:585-601
Ma F, Ye A, Duan Q (2017) Seasonal drought ensemble predictions based on multiple climate models in the upper Han River Basin, China. Climate Dynamics, 1-14
Maraun D (2016) Bias correcting climate change simulations-a critical review. Current Climate Change Reports 2(4):211-220
Min YM, Kryjov VN, Oh SM (2014) Assessment of APCC multimodel ensemble prediction in seasonal climate forecasting: Retrospective (1983–2003) and real-time forecasts (2008–2013). Journal of Geophysical Research: Atmospheres 119(21):132-150
Mishra N, Prodhomme C, Guemas V (2019) Multi-model skill assessment of seasonal temperature and precipitation forecasts over Europe. Climate Dynamics 52(7-8):4207-4225
Modaresi F, Araghinejad Sh, Ebrahimi K (2015) K Assessment of model fusion strategy for increasing the accuracy of autumn rainfall forecasting. Journal of Agricultural Meteorology 3(2):1-13
Mohammadi M, Karami H, Farzin S, Farokhi AR (2017) Prediction of monthly precipitation based on large-scale climate signals using intelligent models and multiple linear regression (Case study: Semnan Synoptic Station). Iranian Journal of Eco Hydrology 4(1):201-214 (In Persian)
Najafi H, Massah Bavani AR, Irannejad P, Robertson AW (2018) Developing real-time multi model ensemble and downscaling of seasonal precipitation forecast systems: Application of canonical correlation analysis. Journal of the Earth and Space Physics 44(1):245-264 (In Persian)
Najafi H, Massah Bavani AR, Wanders N, Wood E, Irannejad P, Robertson AW (2017) Developing multi-model Ensemble for precipitation and temperature seasonal forecast: Implications for Karkheh river basin. 2017 European Geosciences Union (EGU) General Assembly, 23-28 April 2017, Vienne, Austria
Nikulin G, Asharaf S, Magariño ME, Calmanti S, Cardoso RM, Bhend J, García SH (2018) Dynamical and statistical downscaling of a global seasonal hindcast in eastern Africa. Climate Services 9:72-85
Shamir E (2017) The value and skill of seasonal forecasts for water resources management in the Upper Santa Cruz River basin, southern Arizona. Journal of Arid Environments 137:35-45
Shirvani A and Landman WA (2016) Seasonal precipitation forecast skill over Iran. International Journal of Climatology 36(4):1887-1900
Shukla Sh, Roberts J, Hoell A, Funk C, Robertson F, Kirtman BP (2016) Assessing North American Multimodel Ensemble (NMME) seasonal forecast skill to assist in the early warning of anomalous hydrometeorological events over East Africa. Climate Dynamics 1-17, doi: 10.1007/s00382-016-3296-z
Slater LJ, Villarini G, Bradley AA (2016) Evaluation of the skill of North-American Multi-Model Ensemble (NMME) global climate models in predicting average and extreme precipitation and temperature over the continental USA. Climate Dynamics 1-16
Vakili sh (2018) Forecasting of monthly precipitation using M5 model tree and classic statistical methods (Case study: Synoptic oroumieh station). Iran-Water Resources Research 13(4):179-183 (In Persian)
Weisheimer A and Palmer TN (2014) On the reliability of seasonal climate forecasts. Journal of the Royal Society Interface 11(96):20131162
Wilks DS (2011) Statistical methods in the atmospheric sciences (Vol. 100). Academic Press
Xu L, Chen N, Zhang X, Chen Z, Hu C, and Wang C (2019) Improving the North American Multi-Model Ensemble (NMME) precipitation forecasts at local areas using wavelet and machine learning. Climate Dynamics 1-15