ارزيابي كارايي روش‌هاي پس پردازش و اصلاح اريبي بر پيش‌بيني‌هاي ماهانه بارش و دما در حوضه كارون

Evaluation of Post-Processing and Bias Correction of Monthly Precipitation and Temperature Forecasts in Karun Basin

پيش‌بيني‌ مناسب بارش و دما با افق يك‌ماهه مي‌تواند فرصتي استثنايي براي برنامه‌ريزي منابع آب و مقابله با سيل و خشكسالي در اختيار مديران قرار دهد. اعمال روش‌هاي پس‌پردازش و اصلاح اريبي مناسب مي‌تواند كارايي پيش‌بيني‌هاي عددي هواشناسي را تا حد قابل قبولي ارتقا بخشد. در اين تحقيق ضمن ارزيابي پيش‌بيني‌هاي خام بارش و دمايS2S مركز ECMWF در يكي از حوضه‌هاي آبريز مهم كشور، روش‌هاي متنوعي براي پس‌پردازش و اصلاح اريبي اين پيش‌بيني‌ها مورد استفاده قرار گرفت و نتايج با معيارهاي ارزيابي مختلف مقايسه گرديد. تكنيك‌هاي نگاشت چندك(QM)، ميانگين‌گيري مدل بيزين(BMA)، رگرسيون بردار پشتيبان(SVR)، رابطه تجربي اصلاح اريبي دما و روش‌هاي تركيبي بر روي پيش‌بيني‌ها اعمال شد كه از بين آن‌ها روش BMA هم در بهبود پيش‌بيني‌هاي دما و هم بارش اندكي مؤثرتر از ساير روش‌ها عمل نمود. در حالت خام، پيش‌بيني‌هاي بارش و دما تنها در 2 يا 3 ماه سال قابل استفاده ارزيابي شدند ولي اعمال روش‌هاي پس‌پردازش توانست دقت پيش‌بيني‌هاي بارش را در نيمي از ماه‌ها، به‌ويژه ماه‌هاي پرباران تا حد قابل قبولي ارتقا دهد و اعمال روش تركيبي معادله تجربي-ميانگين مدل بيزين در 10 ماه از سال با پيش‌بيني‌هايي بهتر از تخمين دماي ماه آتي با استفاده از آمار بلندمدت همراه بود.

Efficient forecast of precipitation and temperature with a one-month horizon can provide managers with an exceptional opportunity to plan water resources and deal with floods and droughts. The application of proper post-processing and bias correction methods can much improve the accuracy of these predictions. In this study, the S2S (Sub seasonal to Seasonal) precipitation and temperature forecasts of ECMWF were evaluated in one of the important basins of Iran. A variety of methods were used for post-processing and bias correction of these predictions, and the results were compared with different evaluation criteria. Quantile mapping (QM), Bayesian model averaging (BMA), Support vector regression (SVR), an Empirical equation for bias correction of temperature, and some hybrid methods were applied to forecasts. The BMA outperformed the other methods in improving both temperature and precipitation forecasts. Raw precipitation and temperature forecasts were only applicable in 2 or 3 months of the year, but post-processing methods were able to accurately improve precipitation in half of the months, especially rainy months. The hybrid of empirical equation-BMA in 10 months of the year was led to better results than the estimate of the next month's temperature using climatological data.