پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,114,006 |
| تعداد دریافت فایل اصل مقاله | 97,217,784 |
بهبود عملکرد سامانههای پیشبینی بارش جهانی در اقلیمهای مختلف ایران با روش تصحیح اریبی نگاشت چندک | ||
| تحقیقات آب و خاک ایران | ||
| دوره 51، شماره 9، آذر 1399، صفحه 2275-2291 اصل مقاله (3.26 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2020.302208.668602 | ||
| نویسندگان | ||
| ستاره امینی1؛ اصغر عزیزیان* 2؛ پیمان دانش کار آراسته3 | ||
| 1دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین | ||
| 2استادیار گروه مهندسی آب/ دانشگاه بین المللی امام خمینی قزوین | ||
| 3دانشیار گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران | ||
| چکیده | ||
| از آنجائی که بارش به‌عنوان 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 سال‌های اخیر منجر به توسعه مدلهای پیشبینی هواشناسی متعددی شده است که از مهمترین آنها میتوان به پایگاه اطلاعاتی TIGGE اشاره نمود که در برگیرنده تعدادی زیادی از مدلهای پیشبینی قدرتمند است. پژوهش حاضر با هدف ارزیابی عملکرد تمامی مدلهای عددی قابل‌دسترس در پایگاه مذکور جهت پیشبینی بارش روزانه در 38 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 مدلهای 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 نیمه‌خشک و خیلی خشک مقدار شاخص CC به‌مراتب کمتر است. مقدار شاخصهای آماری CC و RMSE بدست آمده از دو مرکز ECMWF و METEO در اکثر مناطق کشور به ترتیب بالای 6/0 و کمتر از 4 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 تصحیح‌شده 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 به‌طور متوسط افزایشی در حدود 20 درصد دارد. نکته مهم دیگر آنکه با حذف اریب از دادهها عملکرد مدلهای 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. | ||
| کلیدواژه‌ها | ||
| باران؛ سنجش از دور؛ پیشبینی؛ مدلهای هواشناسی؛ سیلاب | ||
| عنوان مقاله [English] | ||
| Improving the Performance of Global Rainfall Forecasting Systems in Different Climate Areas of Iran Using Quantile Mapping Method | ||
| نویسندگان [English] | ||
| Setareh Amini1؛ Asghar Azizian2؛ Peyman Daneshkar Arasteh3 | ||
| 1Msc in Water Resources Engineering, Water engineering Dept., Imam Khomeini International University, Qazvin, Iran | ||
| 2Assistant Professor in Water Engineering Department/ Imam Khomeini International University | ||
| 3Water Resources Engineering, Water engineering Dept., Imam Khomeini International University, Qazvin, Iran | ||
| چکیده [English] | ||
| Precipitation is one of the main components of flood, drought and water resources warning studies, hence, its quantitative prediction is of the great importance. The increasing development of computing and satellite technologies and remote sensing in recent years has led to the development of several meteorological forecasting models, of which the TIGGE database with a large number of powerful forecasting models, is the most important. The aim of this study was to evaluate the performance of all available numerical models in the database to predict daily precipitation in 38 synoptic stations located in different climates of Iran. In addition, removing biases from raw datasets using Quantile Mapping (QM) method is another objective of this study. Results showed that in humid, semi-humid, Mediterranean and Arid climate zones (mostly includes the southwest, northwest and northeast parts of Iran), most of the prediction models are highly correlated with ground observations, while in semi-arid and extra-arid regions the correlation coefficient (CC) between the forecasted and observed datasets is very low. For example, the CC and RMSE values obtained from ECMWF and METEO centers in most parts of the country are higher than 0.6 and lower than 4 mm/day, respectively, while the performance of CMA and CPTEC models is not remarkable and leads to the weak results. Also, evaluation of the corrected precipitation values by QM method indicates that there is a significant improvement in the performance of most prediction systems. Findings in extra-arid, arid, and Mediterranean zones demonstrate an increase in CC value, averagely about 20%. Moreover, the results depicted that by removing biases from the raw datasets, the performance of numerical weather prediction (NWP) models in estimating the low and high precipitation events is improved and this issue further increases the applicability of precipitation forecasting systems in flood warning systems and water resources management. | ||
| کلیدواژه‌ها [English] | ||
| Rainfall, Remote Sensing, Prediction, Weather Models, Flood | ||
| مراجع | ||
|
Aminyavari, S., Saghafian, B. and Delavar, M. (2018). Evaluation of TIGGE ensemble forecasts of precipitation in distinct climate regions in Iran. Advances in Atmospheric Sciences, 35(4), 457–468 Ebert, E. E., Manton M. J., Arkin, P. A., Allam, R. J., Holpin, C. E. and Gruber A. (1996). Results from the GPCP Algorithm Intercomparison Programme. Bulletin of the American Meteorological Society, 77(12), 2875–2887 Gupta, R., Bhattarai, R., and Mishra, A. (2019). Development of Climate Data Bias Corrector (CDBC) Tool and Its Application over the Agro-Ecological Zones of India. Journal of Water, 11(5), 1102. Hamill, T. M., Engle, E., Myrick, D., Peroutka, M., Finan, C. and Scheuerer, M. (2017). The U.S. national blend of models for statistical post processing of probability of precipitation and deterministic precipitation amount. Monthly Weather Review, 145(9), 3441–3463. Javanmard, M., Delavar, M., and Morid, S. (2016). Evaluation and uncertainty analysis of the results of the global weather forecast models to apply in flood warning systems (case study: Karoon River basin, Iran). Iran-Water Resources Research, 14(3), 1-14. (In Farsi) Kay, J. K. and kim, H. M. (2014). Characteristics of initial perturbations in the ensemble prediction system of the Korea Meteorological Administration. A merican Meteorological Society, 29(3), 563-581. Kim, K. B., Kwon, H. H. and Han, D. (2016). Precipitation ensembles conforming to natural variations derived from a regional climate model using a new bias correction scheme. Hydrology and Earth System Sciences, 20(5), 2019-2034. Liu, Y. and Fan, K. (2014). An application of hybrid downscaling model to forecast summer precipitation at stations in China. Atmospheric Research, 143( 45), 17–30 . Park, Y., Buizza, R., Leutbecher, M. (2008). TIGGE: preliminary results on comparing and combining ensembles. Quarterly Journal of the Royal Meteorological Society, 134(637), 2029-2050. Piani, C., Haerter, J. O., Coppola, E. (2010). Statistical bias correction for daily precipitation in regional climate models over Europe. Springer, 99(29), 187-192. Rahimi, J., Ebrahimpour, M. and Khalili, A. (2013). Spatial changes of extended De Martonne climatic zones affected by climate change in Iran. Theoretical and applied climatology, 112(3-4), 409-418. Su, X., Yuan, H. L., Zhu, Y. J., Luo, Y. and Wang, Y. ( 2014). Evaluation of TIGGE ensemble predictions of Northern Hemisphere summer precipitation during 2008–2012. Journal of Geophysical Research, 119(12), 7292–7310. Tao, Y., Duan, Q., Ye, A., Gong, W., Di, Z h., Xiao, M. and Hsu, K. (2014). An evaluation of post-processed TIGGE multimodel ensemble precipitation forecast in the Huai river basin. Journal of hydrology, 519(27), 2890-2905. Taraphdar, S., Mukhopadhyay, P., RubyLeung, L., Kiranmayi, L. (2016). Prediction skill of tropical synoptic scale transients from ECMWF and NCEP Ensemble Prediction Systems. Math.Clim.WeatherForecast, 2(4), 26-42. Themeßl, M. J., Gobiet, A., and Heinrich, G. (2012). Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal. Climate Change, 112(), 449– 468. Tomasella, J., Sene, G. A., Schneider, F. A., Oliveira, C. R., Rodrigues, D. F. L., Rodriguez, D. A., Rodrigues, P. MC., Negra˜o, A. C., Sueiro, M. G. and Chagas, S. G. (2019). Probabilistic flood forecasting in the Doce Basin in Brazil:effects of the basin scale and orientation and the spatial distribution of rainfall. Flood Risk Management, 12(1), 12452. Yamaguchi, M. and Majumdar S. J. (2010). Using TIGGE data to diagnose initial perturbations and their growth for tropical cyclone ensemble forecasts. Monthly Weather Review, 138(9), 3634–3655. Wood , A. and Schaake, J. (2008). Correcting errors in streamflow forecast ensemble mean and spread. Journal of Hydrometeorology, 9(1), 132-148. Wilks, D. S. (2006). Statistical Methods in Atmospheric Sciences (2nd edition.). Elsevier Science & Technology Books: Amsterdam. The Netherlands | ||
|
آمار تعداد مشاهده مقاله: 962 تعداد دریافت فایل اصل مقاله: 578 |
||