تعداد نشریات | 161 |
تعداد شمارهها | 6,572 |
تعداد مقالات | 71,006 |
تعداد مشاهده مقاله | 125,494,459 |
تعداد دریافت فایل اصل مقاله | 98,755,479 |
پسپردازش خروجی مدل WRF به روش کوکریجینگ، برای کمیتهای دمای کمینه و بیشینه بر روی ایران | ||
فیزیک زمین و فضا | ||
مقاله 15، دوره 48، شماره 1، اردیبهشت 1401، صفحه 227-242 اصل مقاله (5 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2022.328596.1007346 | ||
نویسندگان | ||
مجتبی شکوهی* ؛ ابراهیم اسعدی اسکویی؛ محمدرضا محمدپور پنچاه | ||
استادیار، پژوهشگاه هواشناسی و علوم جو، تهران، ایران | ||
چکیده | ||
در مسائل مرتبط با هواشناسی، آبشناسی و کشاورزی دسترسی به پیشبینیهای دقیق دمای کمینه و بیشینه در هر مکانی ضروری است. ازاینرو استفاده از پیشبینیهای با دقت مناسب مدل WRF در تمام نقاط شبکه ضروری است. اما خروجی مدل با خطای سامانمند همراه است. هدف این مطالعه تصحیح خطای پیشبینیهای 24، 48 و 72 ساعته دمای بیشینه و کمینه در نقاط شبکه برروی ایران است. خطای مدل طی دوره آموزش 5 و 14 روزه، برای نقاطی از شبکه که دارای داده مشاهداتی هستند محاسبه شد. این خطاها در نواحی هماقلیم، با استفاده از روش درونیابی کوکریجینگ، در سایر نقاط شبکه برآورد شد. بدینترتیب پیشبینی خام مدل برای نقاط فاقد داده مشاهداتی حفظ، و تنها مقادیر برآورده شده خطا بر روی آنها اعمال میشود. دوره آماری 15 ماه، از 1/11/2019 الی 1/2/2021 برای 560 ایستگاه مشاهداتی کشور در نظر گرفته شد. نتایج نشان داد خطای برونداد خام مدل در ماهها، مکانها و نواحی اقلیمی مختلف، توزیع یکنواختی ندارد. RMSE برونداد خام مدل برای کل کشور در پیشبینیهای دمای بیشینه و کمینه بهترتیب تقریباً 6 و 5 درجه سلسیوس است، که بعد از تصحیح، بهترتیب به کمتر از 2 و 4 درجه میرسند. تغییرپذیری نمره مهارت در تمامی نواحی اقلیمی و ماههای مختلف بعد از تصحیح خطا بسیار کاهش یافته و در محدوده صفر تا یک قرار میگیرد. روش تصحیح خطای 14روزه نسبت به روش 5روزه چندان سبب بهبود نمره مهارت مدل نشد و میتوان با روش 5روزه با هزینه محاسباتی کمتر به دقتی مشابه رسید. | ||
کلیدواژهها | ||
خطای سامانمند؛ درونیابی؛ کوکریجینگ؛ نمره مهارت؛ نواحی اقلیمی | ||
مراجع | ||
افشاری، ف.، 1393، پیشبینی عددی دمای دو متری با استفاده از برونداد مدل WRF بر روی ایران. پایاننامه کارشناسی ارشد، وزارت علوم، تحقیقات و فناوری - دانشگاه هرمزگان - دانشکده علوم پایه.
آزادی، م.، جعفری، س.، میرزایی، ا. و عربلی، پ.، 1387، پسپردازش برونداد مدل میان مقیاس MM5 برای دمای بیشینه و کمینه با استفاده از فیلتر کالمن، مجله فیزیک زمین و فضا 34 (1)، 45–61.
آزادی، م.، شیرغلامی، م.، حجام، س. و صحراِیان، ف.، 1390، پسپردازش برونداد مدل WRF برای بارش روزانه در ایران، مجله تحقیقات منابع آب، 7 (3)، 71-81.
بهمنزاده، ف.، قادر، س.، حقشناس، س. و یازجی، د.، 1398، بررسی موردی عملکرد مدل WRF جهت پیشیابی میدان باد تراز 10 متر و دمای تراز دومتر با استفاده از دادههای ماهوارهای و ایستگاههای همدیدی در منطقه دریای عمان و دریای عرب، م. فیزیک زمین و فضا، 45(2)، 441-458.
پیله وران، ر. و اکبری، ز.، 1397، پسپردازش برونداد مدل WRF برای دماهای بیشینه و کمینه در استان لرستان. نخستین همایش ملی «آینده نگاری راهبردی در حوزه علوم جغرافیایی و مطالعات شهری- منطقهای».
شکوهی، م.، ثنائی نژاد، س.ح. و بنایان اول، م.، 1397، ارزیابی شبیهسازی دما و بارشِ مدلهای اقلیمیCMIP5 در مطالعات منطقهای تغییر اقلیم (مطالعه موردی: مناطق عمده تولید گندم دیم در ایران). آب و خاک 32، 1013–1014.
مرادی، م. و مرتضیپور، س.، 1397، پسپردازش خروجی مدل WRF به روش میانگین لغزان برای دما، دمای نقطه شبنم، دمای بیشینه و دمای کمینه، در ایستگاه هواشناسی فرودگاه رشت. هواشناسی و علوم جوّ 1، 190–201.
مؤسسه تحقیقات خاک و آب، سازمان هواشناسی کشور، 1398، تهیه نقشه خرد اقلیم کشاورزی کشور، https://agro.irimo.ir/far/wd/
نصراصفهانی، م.، یزدان پناه، ح. ا.، نصراصفهانی، م.، 1398، ارزیابی مدل WRF برای پیشبینی دما و رخداد سرمازدگی در حوضه آبریز زاینده رود. پژوهشهای جغرافیای طبیعی 51، 163–182.
Box, G. E. and Meyer, R. D., 1986, An analysis for unreplicated fractional factorials. Technometrics, 28, 11-18. Dars, G. H., Strong, C., Kochanski, A. K., Ansari, K. and Ali, S. H., 2020, The Spatiotemporal Variability of Temperature and Precipitation Over the Upper Indus Basin: An Evaluation of 15 Year WRF Simulations. Applied Sciences 10(5), 1765. Goovaerts, P., 1997, Geostatistics for natural resources evaluation. Oxford University Press on Demand. Goovaerts, P., 1999, Geostatistics in soil science: state-of-the-art and perspectives. Geoderma 89, 1–45. Hacker, J. P. and Rife, D. L., 2007, A Practical Approach to Sequential Estimation of Systematic Error on Near-Surface Mesoscale Grids. Weather and Forecasting 22, 1257–1273. Heredia, M. B., Junquas, C., Prieur, C. and Condom, T., 2018, New Statistical Methods for Precipitation Bias Correction Applied to WRF Model Simulations in the Antisana Region, Ecuador. Journal of Hydrometeorology 19, 2021–2040. Isaaks, E. H., Isaaks, D. A. E. S. E. H., Srivastava, R. M. and Firm, K., 1989, Applied Geostatistics, illustrate. ed. Oxford University Press. Jeong, J. and Lee, S.-J., 2018, A Statistical Parameter Correction Technique for WRF Medium-Range Prediction of Near-Surface Temperature and Wind Speed Using Generalized Linear Model. Atmosphere . https://doi.org/10.3390/atmos9080291. López Gómez, J., Troncoso Pastoriza, F., Granada Álvarez, E. and Eguía Oller, P., 2020, Comparison between Geostatistical Interpolation and Numerical Weather Model Predictions for Meteorological Conditions Mapping. Infrastructures, 5(2), 15. Mass, C. F., Baars, J., Wedam, G., Grimit, E. and Steed, R., 2008, Removal of systematic model bias on a model grid. Weather and Forecasting 23, 438–459. McCollor, D. and Stull, R., 2008, Hydrometeorological accuracy enhancement via postprocessing of numerical weather forecasts in complex terrain. Weather and forecasting 23, 131–144. Mohammadi, S. A., Azadi, M. and Rahmani, M., 2017, Comparison of spatial interpolation methods for gridded bias removal in surface temperature forecasts. Journal of Meteorological Research 31, 791–799. Müller, O. V, Lovino, M. A. and Berbery, E. H., 2016, Evaluation of WRF model forecasts and their use for hydroclimate monitoring over southern South America. Weather and Forecasting 31, 1001–1017. Robertson, G. P., 2008, GS+:“Geostatistics for the Environmental Sciences”, Gamma Design Software, Plainwell, Michigan USA. Pdf document available for free at: https://geostatistics. com/files/GSPlusUserGuide. pdf. Samalot, A., Astitha, M., Yang, J. and Galanis, G., 2019, Combined Kalman Filter and Universal Kriging to Improve Storm Wind Speed Predictions for the Northeastern United States. Weather and Forecasting 34, 587–601. Skamarock, W. C., Klemp, J. B., Dudhia, J., Gill, D. O., Barker, D. M., Wang, W. and Powers, J. G., 2008, A description of the Advanced Research WRF version 3. NCAR Technical note-475+ STR. Taylor, K. E., 2001, Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres 106, 7183–7192. Termonia, P. and Deckmyn, A., 2007, Model-inspired predictors for model output statistics (MOS). Monthly weather review 135, 3496–3505. Valappil, V. K., Temimi, M., Weston, M., Fonseca, R., Nelli, N. R., Thota, M. and Kumar, K. N., 2020, Assessing Bias correction methods in support of operational weather forecast in arid environment. Asia-Pacific Journal of Atmospheric Sciences 56, 333–347. | ||
آمار تعداد مشاهده مقاله: 1,036 تعداد دریافت فایل اصل مقاله: 765 |