پديد آورندگان :
اميني، ستاره دانشگاه بين المللي امام خميني - گروه مهندسي آب، قزوين، ايران , عزيزيان، اصغر دانشگاه بين المللي امام خميني - گروه مهندسي آب، قزوين، ايران , آراسته، پيمان دانشگاه بين المللي امام خميني - گروه مهندسي آب، قزوين، ايران
كليدواژه :
پيشبيني , هشدار سيل , بارش , سنجش از دور
چكيده فارسي :
مدلهاي پيشبيني بارش نقش اساسي در عملكرد هر چه بهتر سامانه‌هاي پيشبيني هواشناسي و سيلاب ايفا مي‌كنند. در مطالعه حاضر، عملكرد پيشبينيهاي پنج مدل عددي هواشناسي موجود در پايگاه TIGGE به منظور بررسي دقت پيشبينيها طي گام زمانيهاي 1 تا 10 روزه در اقليمهاي مختلف كشور ايران (در محل 38 ايستگاه سينوپتيك) طي بازه زماني 2014 تا 2018 مورد ارزيابي و اصلاح اريبي قرار گرفتند. بررسي شاخصهاي آماري و جدولي حاكي از كاهش دقت پيشبينيها با افزايش گام زماني مي‌باشد. طبق نتايج بدست آمده عمده مدلهاي هواشناسي به ويژه دو مدل ECMWF و UKMO حداكثر تا افق زماني 3 روزه از همبستگي مناسبي با داده‌هاي زميني برخوردار بوده و در عين حال نيز داراي خطاي كمتري (در تخمين مقدار بارش و پيشبيني روزهاي باراني) مي‌باشند. با اصلاح اريبي داده‌هاي خام پيشبيني عملكرد مدلهاي عددي آب و هوا به طور قابل توجهي افزايش يافت، به طوري كه در گام زماني 10 روزه در مدلهاي ECMWF، JMA و KMA به ترتيب بيش از 70، 65 و 73 درصد از مقدار شاخص RMSE كاهش يافت. پس از اصلاح داده‌هاي بارش، عملكرد عمده مدلهاي عددي به غير از JMA حتي تا گام زماني 7 روزه نيز در اكثر اقليمهاي كشور منجربه نتايج قابل قبولي گرديد. مدل JMA در اقليمهاي مرطوب كه شامل مناطق غربي و شمالي كشور است، به دليل ساختار مدل آشفتگي موجود در اين مدل داراي اريبي زيادي بوده و نتايج غيرقابل اعتمادي ارائه نموده است.
چكيده لاتين :
Precipitation forecasting models play important role in the performance of flood and meteorological warning systems. In this research, the efficiency of five numerical weather prediction (NWP) models, which exist in the TIGGE database, are assessed to determine the best temporal resolution of forecasted datasets at distinct climate regions of Iran, during 2014-2018. Findings show that by increasing the lead time the accuracy of all forecasts decreases significantly. Moreover, most of the NWP models, especially the ECMWF and UKMO perform well, based on correlation coefficient (CC) and RMSE metrics, up to lead time of 3 days. Also, results indicate that by removing biases from the raw forecast datasets, the performance of all NWP models in different lead times increases considerably. After bias correction, the RMSE values of ECMWF, JMA, and KMA models in the lead time of 10 days reduces about 70, 65, and 73%, respectively, and, except for JMA, all NWP models perform well in most climate regions. The JMA model in humid climate zones (north and west parts of Iran) has a high level of bias and leads to unreliable forecasts.
