بهبود عملکرد سامانه‎های پیش‎بینی بارش جهانی در اقلیم های مختلف ایران با روش تصحیح اریبی نگاشت چندک

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 96

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-51-9_010

تاریخ نمایه سازی: 2 خرداد 1402

چکیده مقاله:

از آنجائی که بارش به عنوان یکی از اجزاء اصلی مطالعات هشدار سیل، خشکسالی و منابع آب به­شمار می­آید، پیش­بینی کمی آن از درجه اهمیت بسیار بالایی برخوردار است. گسترش و پیشرفت روزافزون محاسبات رایانه­ای و فناوری­های ماهواره­ای و سنجش از دور در سال های اخیر منجر به توسعه مدل های پیش­بینی هواشناسی متعددی شده است که از مهم­ترین آنها می­توان به پایگاه اطلاعاتی TIGGE اشاره نمود که در برگیرنده تعدادی زیادی از مدل های پیش­بینی قدرتمند است. پژوهش حاضر با هدف ارزیابی عملکرد تمامی مدل­های عددی قابل دسترس در پایگاه مذکور جهت پیش‎بینی بارش روزانه در ۳۸ ایستگاه سینوپتیک کشور ایران که در اقلیم­های مختلف واقع شده­اند، به انجام رسیده است. همچنین بررسی اثر تصحیح اریبی به روش نگاشت چندک (QM) بر عملکرد مدل‎های پیش­بینی بارش از دیگر اهداف اصلی این تحقیق به­شمار می­آید. نتایج بدست آمده نشان داد که عمده مدل های پیش­بینی در اقلیم­های مرطوب، نیمه مرطوب، مدیترانه­ای و خشک (که بیشتر مناطق جنوب غربی تا شمال غربی و شمال شرقی کشور را شامل می‎شوند) دارای بیشترین میزان همبستگی با داده­های زمینی هستند ولی که در اقلیم­های نیمه خشک و خیلی خشک مقدار شاخص CC به مراتب کمتر است. مقدار شاخص­های آماری CC و RMSE بدست آمده از دو مرکز ECMWF و METEO در اکثر مناطق کشور به ترتیب بالای ۶/۰ و کمتر از ۴ میلیمتر در روز است و این در حالی است که دو مدل CMA و CPTEC از کارایی چندان مناسبی برخوردار نمی­باشند. همچنین ارزیابی مقادیر بارش تصحیح شده با روش QM بیانگر بهبود چشمگیر شاخص‎های آماری بدست آمده از بسیاری از مراکز پیش­بینی است. طبق محاسبات صورت گرفته، مقدار شاخص CC در اقلیم­های خیلی خشک، خشک و مدیترانه‎ای به طور متوسط افزایشی در حدود ۲۰ درصد دارد. نکته مهم دیگر آنکه با حذف اریب از داده­ها عملکرد مدل های عددی هواشناسی در پیش­بینی مقادیر کم و بالای بارش بهبود یافته و همین مسئله قابلیت کاربرد سامانه­های پیش­بینی بارش در سیستم‎های هشدار سیل و مدیریت منابع آب را بیش از پیش افزایش می­دهد.

نویسندگان

ستاره امینی

دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین

اصغر عزیزیان

استادیار گروه مهندسی آب/ دانشگاه بین المللی امام خمینی قزوین

پیمان دانش کار آراسته

دانشیار گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aminyavari, S., Saghafian, B. and Delavar, M. (۲۰۱۸). Evaluation of ...
  • Hamill, T. M., Engle, E., Myrick, D., Peroutka, M., Finan, ...
  • Javanmard, M., Delavar, M., and Morid, S. (۲۰۱۶). Evaluation and ...
  • Kim, K. B., Kwon, H. H. and Han, D. (۲۰۱۶). ...
  • Liu, Y. and Fan, K. (۲۰۱۴). An application of hybrid ...
  • Park, Y., Buizza, R., Leutbecher, M. (۲۰۰۸). TIGGE: preliminary results ...
  • Piani, C., Haerter, J. O., Coppola, E. (۲۰۱۰). Statistical bias ...
  • Rahimi, J., Ebrahimpour, M. and Khalili, A. (۲۰۱۳). Spatial changes ...
  • Su, X., Yuan, H. L., Zhu, Y. J., Luo, Y. ...
  • Tao, Y., Duan, Q., Ye, A., Gong, W., Di, Z ...
  • Taraphdar, S., Mukhopadhyay, P., RubyLeung, L., Kiranmayi, L. (۲۰۱۶). Prediction ...
  • Themeßl, M. J., Gobiet, A., and Heinrich, G. (۲۰۱۲). Empirical-statistical ...
  • Tomasella, J., Sene, G. A., Schneider, F. A., Oliveira, C. ...
  • Yamaguchi, M. and Majumdar S. J. (۲۰۱۰). Using TIGGE data ...
  • Wood , A. and Schaake, J. (۲۰۰۸). Correcting errors in ...
  • Wilks, D. S. (۲۰۰۶). Statistical Methods in Atmospheric Sciences (۲nd edition.). ...
  • نمایش کامل مراجع