پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,989,164 |
| تعداد دریافت فایل اصل مقاله | 89,659,293 |
استفاده از تحلیل همبستگی متعارف در مقیاسکاهی بارش سامانههای پیشبینی فصلی و توسعه همادی چند مدلی در شرایط زمان واقعی | ||
| فیزیک زمین و فضا | ||
| مقاله 15، دوره 44، شماره 1، اردیبهشت 1397، صفحه 245-264 اصل مقاله (1.2 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2018.234664.1006904 | ||
| نویسندگان | ||
| حسین نجفی1؛ علیرضا مساح بوانی* 2؛ پرویز ایران نژاد3؛ اندرو ویلیام رابرتسون4 | ||
| 1دانشجوی دکتری، گروه مهندسی منابع آب، پردیس ابوریحان دانشگاه تهران، ایران | ||
| 2دانشیار، گروه مهندسی منابع آب، پردیس ابوریحان دانشگاه تهران، ایران | ||
| 3دانشیار، گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، ایران | ||
| 4مدیر مطالعات اقلیمی مؤسسه پژوهشی بینالمللی برای اقلیم و جامعه، مؤسسه زمین، دانشگاه کلمبیا، نیویورک، آمریکا | ||
| چکیده | ||
| هدف از این پژوهش، ارزیابی روش تحلیل همبستگی متعارف (CCA)در ارائه پیشبینیهای فصلی بهصورت مقیاسکاهیشده در یک دوره بلندمدت 30 ساله است. این بررسی در غرب کشور ایران و با استفاده از برونداد بارش سامانههای پیشبینی فصلی همادی آمریکای شمالی انجام شد. بدینمنظور، در ابتدا بارش شبکهبندی شده بر اساس اطلاعات سنجش‌ازدور(PERSIANN-CDR)با دادههای ثبتشده از 23 ایستگاه همدیدی ارزیابی شد. ضریب همبستگی PERSIANN-CDRبا دادههای ایستگاهی همدیدی بین 7/0 و 95/0 محاسبه شده است. سپس اریب دادههای سنجش‌ازدور بهنسبت دادههای ایستگاههای همدیدی تصحیح و در انتها هر دو مجموعه داده (سنجش از دور- ایستگاه) تلفیق شدند. از مجموعه داده تلفیقشده بهعنوان بارش مرجع در ارزیابی سامانههای پیشبینی فصلی با تفکیک مکانی 1 و 25/0 درجه (برونداد مستقیم و پس از کاربست CCA) استفاده شد. مدلهای پیشبینیفصلی بهصورت انفرادی و وزندهی شده (سامانههای همادی متشکل از 2 تا 8 مدل) مورد استفاده قرار گرفت. برای ارزیابی مهارت این مدلها، معیارهای ارزیابی شامل معیارهای پیوسته و طبقهبندیشده است که در دوره صحت‌سنجی محاسبه شده است. در این دوره، همبستگی اسپیرمن بهعنوان شاخص نیکویی برازش، بیشینه شده است. شاخصهای ارزیابی بهصورت برونداد مستقیم و تصحیح شدهمقایسه شدند. نتایج نشان میدهد که همه شاخصها پس از اعمال CCA بهبود مییابند. لذا روششناسی پیشنهادی در مقیاسکاهی و پسپردازش سامانههای پیشبینی فصلی در محدوده مورد مطالعه کارا است. همچنین، سامانه همادی سه‌مدلی متشکل از CCSM4، CMC2، CFSv2 دارای مهارت بیشتر در مقایسه با همادی هشت‌مدلی و سایر مدلهای انفرادی است. این سامانه که دارای همبستگی اسپیرمن بیش از 6/0 با دادههای مرجع میباشد، بهعنوان مدل برتر با بیشترین نیکویی برازش در محدوده مورد مطالعه است. در اکثر محدوده مورد مطالعه، GFDL-aer04و سامانههای همادی چند مدلی توانستهاند در 80 درصد از سالهایی که بارش زیرنرمال اتفاق افتاده، بارش زیرنرمال را بهدرستی پیشبینی نمایند. یافتههای این پژوهش، کاربست روششناسی پیشنهادی در پیشبینی خشک‌سالی هواشناسی بهصورت زمان واقعی در فصل اکتبر- دسامبر در محدوده غرب کشور ایران را آشکار میسازد. | ||
| کلیدواژه‌ها | ||
| مدلهای همادی آمریکای شمالی؛ مقیاسکاهی؛ حوضه کرخه؛ همادی چند مدلی؛ پیشبینی فصلی بارش | ||
| عنوان مقاله [English] | ||
| Developing Real-time Multi-model Ensemble and Downscaling of Seasonal Precipitation Forecast Systems: Application of Canonical Correlation Analysis | ||
| نویسندگان [English] | ||
| Hossein Najafi1؛ Ali Reza Massah Bavani2؛ Parviz Irannejad3؛ Andrew Viliam Robertson4 | ||
| 1Ph.D. Student, Department of Water Resources Engineering, College of Aburaihan, University of Tehran, Iran | ||
| 2Associate Professor, Department of Water Resources Engineering, College of Aburaihan, University of Tehran, Iran | ||
| 3Associate Professor, Department of Space Physics, Institute of Geophysics, University of Tehran, Iran | ||
| 4Head of Climate Group, International Research Institute for Climate and Society (IRI), Erath Institute, University of Columbia, New York, USA | ||
| چکیده [English] | ||
| The aim of this research is to evaluate a statistical method for downscaling the precipitation output of a number of Coupled General Circulation Models issuing seasonal forecasts 9 month in advance. Canonical Correlation Analysis (CCA) is applied for post-processing precipitation from the North American Multi-model Ensemble (NMME) project. The analysis is done for a long-term period (1986-2015) in the west of Iran. The area under study includes Karkheh River Basin where a significant reduction in renewable water resources has faced policymakers with challenges in water resources allocation and provision of environmental requirements to Hoor-al-Azim marshland downstream. PERSIANN-CDR biases are computed and corrected against in-situ observations by applying the multiplicative method. Bias corrected Satellite-based rainfall data merged with 23 gauge-based data. The approach for merging station-satellite-based rainfall estimation includes a spatio-temporal LM method which fits linear regression to the deterministic part of universal variation. It exhibits appropriate performance in terms of Correlation, Nash-Sutcliffe Efficiency and mean absolute error and multiplicative bias. After merging, correlation coefficients between the merged data and gauge-based rainfall are between 0.92 and 0.98 for all stations whereas it was between 0.7-0.95 for PERSIANN-CDR. The merged precipitation grided dataset is then used as the reference to evaluate NMME seasonal forecasting systems October-December being the target season. Forecasts initialized on the early October, September and August (lead time-0, lead-time-1 and lead-time-2 months, respectively) are evaluated for individual raw model outputs. Multi-Model Ensemble is also developed by assigning equal weights to individual models. Multi-model Ensemble which consists the 3 best individual models (CCSM4, CMC2 and CFSv2) outperforms all other MME which consist 2 to 8 models (ρ=0.560). It also outperforms CCSM4 which has the highest Spearman correlation of 0.486 among all models. Canonical Correlation Analysis (CCA) is then applied to individual and MME seasonal mean precipitation forecasts to correct biases in the position. Probabilistic forecasts are produced based on the best-guess forecast estimated by regression model (CCA). Predictand is transformed to normal distribution before performing the calculations. Then the forecast is transformed back to the empirical distribution. By assuming that the errors in the best-guess forecast are normally distributed, the variance of the errors is defined by the sampling errors in the regression parameters, and by the variance of the errors in the cross-validated predictions. Then the probabilities of exceeding the various thresholds (below normal, normal and above normal terciles) are calculated for issuing probabilistic forecast from 1986-2015. The goodness index is improved for all models after performing CCA especially for GFDL-aer04 and CMC1 having the most correctable systematic biases. 3 model-based MME is recognized to have highest skill (Spearman correlation=0.623) at 0-month lead time. The models also show high skill for initializations made in the early August and early September. ROC-area for below-normal precipitation is more than 0.5 for almost all models which shows the skill of NMME seasonal forecast systems in meteorological drought prediction. The skill of NMME in forecasting October-December precipitation in the west of Iran can help decision makers in real-time water resources and agricultural planning before water-year starts (In the late September). | ||
| کلیدواژه‌ها [English] | ||
| North America Multi-model Ensemble (NMME), Downscaling, Karkheh River Basin, Multi-Model Ensemble, Seasonal Precipitation Forecasts | ||
| مراجع | ||
احمدی باصری، ن.، شیروانی، ا. و ناظم السادات، م. ج.، 1393، کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن بروندادهای مدل GCM برای پیشبینی بارش در پهنه جنوبی ایران، ن. آبوخاک. 28، 1047-1037.بابائیان، ا.، کریمیان، م.، مدیریان، ر.، بیاتانی، ف. و فهیمینژاد، ا.، 1395، کارآیی روشهای پسپردازش در بهبود پیشبینی ماهانه بارش مدل MRI-CGCM3 در خراسان رضوی، م. تحقیقات منابع آب ایران. 12(2)، 92-83.بابائیان، ا.، کریمیان، م. و مدیریان، ر.، 1393، پسپردازش برونداد مدل دینامیکی MRI-CGCM3 برای پیشبینی فصلی بارش استان خراسان رضوی، م. ژئوفیزیک ایران. 7(3)، 133-119.باقرزاده، ف.، 1393، پیشبینی دراز مدت میزان بارش (ماهانه و فصلی) با استفاده از شبکه‌های عصبی مصنوعی. پایاننامه کارشناسی ارشد، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان.بهانسد، 1392، گزارش نهایی مدلسازی برنامهریزی منابع آب حوضه آبریز کرخه. مطالعات بهنگام‌سازی طرح جامع آب کشور در حوضههای آبریز مرزی غرب، کرخه، کارون بزرگ، جراحی و زهره. 134 صفحه.زهرایی، ب.، 1390، تدوین نرم‌افزار پیشبینی فصلی بارش استانداردشده (SPI) و رواناب ورودی به سدهای تهران. طرح پژوهشی دانشگاه تهران برای شرکت سهامی آب منطقهای تهران، (http://www.thrw.ir/SC.php?type=static&id=90).زهرایی، ب.، 1388، تدوین مدل خوشه‌بندی اطلاعات و سیگنال‌های هواشناسی باهدف پیشبینی دوره‌های کم‌بارش. طرح پژوهشی دانشگاه تهران برای شرکت سهامی آب منطقهای تهران، (http://www.thrw.ir/SC.php?type=static&id=90).فلاح قالهری، غ ع.، موسوی‌بایگی، م. و حبیبی نوخندان، م.، 1387، تعیین همبستگی الگوهای سینوپتیکی با سطوح فوقانی به کمک مدل رگرسیونی گام‌به‌گام، م. دانش علوم آبوخاک. 19(1)، 143-125. فلاح قالهری، غ. ع.، موسوی بایگی، م. و. حبیبی نوخندان، م.، 1388، پیشبینی بارش فصلی بر اساس الگوهای سینوپتیکی با استفاده از سیستم استنباط فازی- عصبی تطبیقی (ANFIS)، م. پژوهشهای جغرافیای طبیعی 66، 139-121. مدرسی، ف.، عراقینژاد، ش.، و ابراهیمیان، ک.، 1394، ارزیابی راهبرد ترکیب مدلها در افزایش دقت پیشبینی بارش پاییزه، ن. هواشناسی کشاورزی. 3(2)، 13-1. ناظم‌السادات، م. و شیروانی ا.، 1385، پیشبینی بارش زمستانه مناطق جنوبی ایران با استفاده از دمای سطح آب خلیج‌فارس: مدلسازی تحلیل همبستگی متعارف، م. علمی کشاورزی. 29، 77-66. نجفی، ح.، مساحبوانی، ع. ر. و ایراننژاد، پ.، 1395، پیشبینی فصلی احتمالاتی بارش پاییزه سال‌های آبی 96 -95 و 95-94 در گستره ایران: ارزش افزوده همادی مدلهای آمریکای شمالی (NMME) در تخصیص بهنگام منابع آب. مجموعه مقالات چاپ شده در اولین کنفرانس بینالمللی تغییر اقلیم با شعار «تغییر اقلیم، مدیریت آب، نجات زمین»، 9 و 10 اسفندماه، وزارت نیرو، تهران، ایران. نجفی، ح. و مساحبوانی، ع. ر.، 1395، ارائه روشهای جدید در پیشبینی متغیرهای هیدرو اقلیمی کشور در مقیاس درون‌فصلی تا بینسالی. مجموعه مقالات همایش علل و راهکارهای مقابله با بحران کمّی و کیفی منابع آب کشور، 22 و 23 اردیبهشتماه 1395، فرهنگستان علوم جمهوری اسلامی ایران، تهران، ایران. نجفی، ح.، مساحبوانی، ع. ر. و ایراننژاد، پ.، 1396، کاربست مدلهای همادی آمریکای شمالی در پیشبینی فصلی بارش گسترهی ایران، م. تحقیقات منابع آب ایران، 13(4)، 28-38. نیکبخت شهبازی، ع.ر.، زهرایی، ب. و ناصری، م.، 1391، پیشبینی فصلی خشک‌سالی هواشناسی با استفاده از ماشینهای بردار پشتیبان، م. آب و فاضلاب. 23(2)، 84-72. Ashoori, H., Hsu, K. L., Sorooshian, S. and Braithwaite, D. K., 2015, PERSIANN-CDR: Daily precipitation climate datarecord from multisatelite observations for hydrological and climate studies, Bull. Am. Meterol. Soc., 96(1), 69-83, doi:10.1175/BAMS-D-13-00068.1. Barbero, R., Abatzoglou, J. and Hegewisch, K., 2017, Evaluation of statistical downscaling of North American Multi-Model Ensemble forecasts over western USA. Weather and Forecasting, 32, 327–34, doi: 10.1175/WAF-D-16-0117.1. Dirks, K. N., Hay, J. E., Stow, C. D. and Harris, D., 1998, High-resolution studies of rainfall on Norfolk Island: Part II: Interpolation of rainfall data. J. Hydrol., 208, 187–193. Ehsan, M. A., Tippett, M. K., Almazroui, M., Ismail, M., Yousef, A., Kucharski, F. and Omar, M., 2016, Skill and predictability in multimodel ensemble forecasts for Northern Hemisphere regions with dominant winter precipitation. Climate Dyn., 48, 3309-3324, doi:10.1007/s00382-016-3267-4.Gent, P. R., Yeager, S. G., Neale, R. B., Levis, S. and Bailey, D. A., 2010, Improvements in a half degree atmosphere/land version of the CCSM. Clim Dyn, 34(6), 819-833. Hsieh, H. H., Cheng, S. J., Liou, J. Y., Chou, S. C. and Siao, B. R., 2006, Characterization of spatially distributed summer daily rainfall. J. Chin. Agric. Eng., 52, 47–55. Ines, A. V. M. and Hansen, J. W., 2006, Bias correction of daily GCM rainfall for crop simulation studies. Agric. For. Meteorol., 138, 44–53. Katiraie-Boroujerdy, P. S., Ashouri, H., Hsu, K. and Sorooshian, S., 2016, Trends of precipitation extreme indices over a subtropical semi-arid area using PERSIANN-CDR. Theor. Appl. Climatol., 1-12, doi:10.1007/s00704-016-1884-9. Katiraie-Boroujerdy, P. S., Akbari Asanjan, A., Hsu, K. L. and Sorooshian, S, 2017, Intercomparison of PERSIANN-CDR and TRMM-3B42V7 precipitation estimates at monthly and daily time scales. Atmos. Res., 193, 36-49, doi.org/ 10.1016/ j.atmosres. 2017.04.005. Kirtman, B. P., Min, D., Infanti, J. M., Kinter III, J. L., Paolino, D. A., Zhang, Q., Van Den Dool, H., Saha, S., Mendez, M. P., Becker, E. and Peng, P., 2014, The North American multimodel ensemble: phase-1 seasonal-to-interannual prediction; phase-2 toward developing intraseasonal prediction. Bull. Am. Meteorol. Soc, 95(4), 585-601. Kong, Y. F. and Tong, W. W., 2008, Spatial exploration and interpolation of the surface precipitation data. Geogr. Res., 27, 1097–1108. Kurtzman, D. Navon, S. and Morin, E., 2009, Improving interpolation of daily precipitation for hydrologic modeling: Spatial patterns of preferred interpolators. Hydrol. Process, 23, 3281–3291. Li, B. Huang, J. F. Jin, Z. F. and Liu, Z. Y., 2010, Methods for calculation precipitation spatial distribution of Zhejiang Province based on GIS. J. Zhejiang Univ, 27, 239–244. Ma, F., Ye, A., Deng, X., Zhou, Z., Liu, X., Duan, Q., Xu, J., Miao, C., Dia, Z. and Gonga, W., 2016, Evaluating the skill of NMME seasonal precipitation ensemble predictions for 17 hydroclimatic regions in continental China. Int. J. Climatol, 36, 132-144. Mason, S. J. and Tippett, M. K., 2017, Climate Predictability Tool version 15.5.10, Columbia University Academic Commons, https://doi.org/ 10.7916/D8G44WJ6. Merryfield, W. J., Lee, W. S., Boer, G. J., Kharin, V. V., Scinocca, J. F., Flato, G. M., Ajayamohan, R. S., Fyfe, J. C., Tang, Y. and Polavarapu, S., 2013, The Canadian seasonal to interannual prediction system. Part I: Models and initialization, Mon. Wea. Rev., 141(8), 2910-2945. Najafi, H., Massah Bavani, A. R., Wanders, N., Wood, E., Irannejad, P. and Robertson, A.W., 2017, Developing Multi-model Ensemble for precipitation and temperature seasonal forecasts: Implications for Karkheh river basin in Iran, Geophysical Research Abstracts, Vol. 19, EGU2017-18597-3, EGU General Assembly 2017, 23-28 April, Vienne, Austria. Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P., Behringer, D., Hou, Y. T., Chuang, H. Y., Iredell, M. and Ek, M., 2014, The NCEP climate forecast system version 2, J. Climate, 27(6), 2185-2208. Shirvani, A. and Landman, A. W., 2016, Seasonal precipitation skill over Iran. Int. J. Climatol., 36, 1887-1900. Wilks, D. S., 2011, Statistical methods in the atmospheric sciences. 3rd ed. – (International geophysics series; v. 100). ISBN 978-0-12-385022-5. Vernieres, G., Rienecker, M., Kovach, R. and Keppenne, C. H. L., 2012, The GEOS-iODAS: Description and Evaluation. Technical Report Series on Global Modeling and Data Assimilation, TM-2012-104606 30, 1-61. Wu, L., Wu, X. J., Xiao, C. C. and Tian, Y., 2010, On temporal and spatial error distribution of five precipitation interpolation models. Geogr. Geo-Inf. Sci, 26, 19–24. Zhang, S., Harrison, J., Rosati, M. J. and Wittenberg A. T., 2007, System design and evaluation of coupled ensemble data assimilation for global oceanic climate studies. Mon. Weather Rev., 135, 3541–3564, doi:10.1175/MWR3466.1. Zohrabi, N., Goodarzi, E., Massah Bavani, A. R. and Najafi, H., 2016, Detection and attribution of climate change in regional scale: A case study of Karkheh river basin in the West of Iran, Theor. Appl. Climatol., 1-14, doi: 10.1007/s00704-016-1896-5. | ||
|
آمار تعداد مشاهده مقاله: 1,007 تعداد دریافت فایل اصل مقاله: 602 |
||