ارزیابی تاثیر پس‌پردازش بر بهبود مهارت پیش‌بینی‌های همادی فصلی بارش و دما پایگاه داده c3s در ایران

پیش ‌بینی‌های فصلی نقشی حیاتی در مدیریت منابع آب و توسعه سامانه‌های پیش ‌بینی و خشکسالی ایفا می‌کنند. در تحقیق حاضر پیش‌بینی‌ های همادی ماهانه بارش و دمای سه مرکز پایگاه داده c3s در طول سال‌های 1993 تا 2018 برای هشت گروه بارشی ایران در افق ‌های زمانی 1 تا 3 ماه مورد بررسی و ارزیابی قرار گرفت. همچنین با هدف بهبود مهارت پیش‌بینی‌های خام در هشت گروه بارشی، از روش‌های نگاشت چندک (qm)، روش مقیاس‌‎دهی خطی (ls) ‌و روش نگاشت توزیع گاما (gdm) برای پس‌پردازش پیش‌بینی‌های بارش و از روش‌های مقیاس‌دهی خطی (ls) ‌و روش مقیاس‌دهی واریانس (vs) برای پس‌پردازش پیش‌بینی‌های دما استفاده شد. نتایج این تحقیق نشان می‌دهد که پیش‌بینی‌های خام بارش مدل ها در گروه ‌های بارشی غرب ایران بهترین و در گروه‌ های بارشی شمال ایران ضعیف‌ ترین عملکرد را دارند. پیش‌بینی‌های دما در اغلب موارد، فرو پیش بینی و تقریباً همه روش‌های پس‌پردازش قادر به تقلیل خطاها و بهبود دقت پیش‌بینی‌ها در بیشتر گروه‌های بارشی بخصوص برای پیش‌بینی‌های مدل ecmwf بودند. در حالت کلی مدل‌های ecmwf بعد از پس‌پردازش بهترین عملکرد و مدل mf بدترین عملکرد را داشت. در بین روش‌های پس‌پردازش بارش دو روش gdm و ls عملکرد بهتری داشتند که در گروه‌های پربارش شمال ایران (g6 و g8) برتری روش‌های ls و gdm کاملاً محسوس است. در خصوص پس‌پردازش پیش‌بینی‌های همادی دما، روش  vsکمی بهتر از ls بود و عملکرد روش‌های پس‌پردازش در ماه‌های سرد سال (اواخر فصل پاییز و فصل زمستان) بسیار موثر و در ماه‌های گرم (فصل تابستان) اندکی ضعیف‌تر از بقیه ماه‌ها بود.

evaluating the impact of post-processing on improving the skill of seasonal ensemble forecasts of precipitation and temperature of c3s database in iran

seasonal precipitation forecasting plays a pivotal role in water resource management and development of warning systems. this study evaluated the ensemble forecasts of three c3s models over the period 1993–2017 in iran’s eight classified precipitation clusters for 1- to 3-month lead times. the quantile mapping (qm), the linear scaling (ls), and the gamma distribution mapping (gdm) for post-processing of precipitation forecasts, and the ls and variance scaling (vs) was used to post-process temperature forecasts. the results were then compared with the raw forecasts. it is indicated that the models performed best in western precipitation clusters, while in the northern humid cluster the models had negative skill scores. almost all the post-processing methods were able to reduce the errors and improve the forecast accuracy in most groups. in general, after post-processing the ecmwf models had the best performance and the mf model had the worst performance. among the precipitation post-processing methods, gdm and ls performed better, and the superiority of these methods is quite noticeable, especially in the rain-heavy groups of northern iran (g6 and g8), which had poor raw forecasts. regarding the post-processing of ensemble temperature forecasts, the performance of each ls and vs method is similar, they have a slight difference in increasing the accuracy of forecasts. of course, overall, the vs method has worked a little better. the performance of post-processing methods is very effective in the cold months of the year (late autumn and winter) and slightly weaker in the hot months (summer).