ارزیابی برونداد دمای فصلی مدل های پیش بینی همادی آمریکای شمالی در حوضه های آبریز درجه دو ایران

هدف از این پژوهش، ارزیابی برونداد دمای سامانه های پیش بینی فصلی اقلیمی در پهنه کشور ایران است. این تحلیل ها بر اساس مدل های گردش کلی جفت شده جو-اقیانوس انجام شده است که در همادی مدل های آمریکای شمالی مورد استفاده قرار گرفته اند. مهارت هر یک از مدل های آمریکای شمالی با آغازگری های مختلف و در سه زمان انتظار صفر، یک و دو (ماه) برای سه فصل هدف (اکتبر-دسامبر)، (دسامبر-فوریه) و (فوریه-آوریل) بررسی شده است. بدین منظور از محصول دمای پایگاه cru (دو متری سطح زمین) در دوره (1982-2010) به عنوان داده مرجع مشاهداتی استفاده شد. معیارهای صحت سنجی قطعی شامل همبستگی پیرسون، میانگین خطا و ریشه مربعات خطا است که برای ارزیابی پیش بینی های فصلی محاسبه شده اند. نمره roc نیز به عنوان یک شاخص طبقه بندی برای کلیه مدل‌ها در شرایط زیر نرمال و بیش از نرمال محاسبه شده است. نتایج نشان می دهد ضریب همبستگی بین سامانه های پیش بینی فصلی و پایگاه cru در فصل fma بیشتر از دو فصل djf و ond است. مهارت مدل cfsv2 در جنوب کشور در ond قابل ملاحظه (همبستگی بالای 0/9 و roc بیش از 0/7) می باشد. الگوی اریبی بر اساس موقعیت جغرافیایی در فصول هدف تقریباً مشابه است. کمترین تغییرات اریبی از لحاظ مقدار، مربوط به مدل gfdl-flor-b01 می باشد. با افزایش زمان انتظار، مهارت سامانه های پیش بینی فصلی در تعدادی از حوضه های آبریز کشور کاهش می یابد. با توجه به اریبی قابل ملاحظه تعدادی از مدل های همادی آمریکای شمالی، می توان از روش های پس پردازش مناسب برای حذف اریبی برونداد این مدل ها استفاده نمود. هم چنین می توان با توسعه سامانه های همادی چندمدلی در سطح حوضه های آبریز در فصول مهم از منظر بخش کشاورزی و منابع آب بهره گرفت.

Evaluation of NMME seasonal temperature forecasts over Iran’s river basins

The aim of this research is to evaluate the temperature outputs of climate forecasting systems over Iran. The analysis is provided based on AtmosphereOcean Coupled General Circulation Models from North America Multi Model Ensemble (NMME). The skill of NMME individual models are evaluated in different initializations, of lead times (0month, 1month and 2month) for OctoberDecember (OND), DecemberFebruary (DJF), and FebruaryApril (FMA) target seasons. Temperatures at 2m from Climate Research Unit (CRU) dataset are used as reference observation over 19822010. Pearson correlation, Mean Error and Root Mean Squared Error are calculated as deterministic verification criteria for seasonal forecast verification. In addition, Relative Operating Characteristic (ROC) score is calculated as a categorical measure for belownormal and abovenormal conditions. The results suggest that correlation between NMME forecasts and CRU is higher in FMA (compared to DJF and OND). CFSv2 has a significant skill in the south of Iran in FMA (correlation ≥ 0.9, ROC≥ 0.7). Spatial pattern of NMME biases is similar in three target seasons. GFDLFLORB01 bias is lowest among all evaluated NMME models. At longer lead times; skill of some models is dropped for forecasting temperature in some river basins in Iran. Given large temperature biases found in NMME individual models, applying Model Output Statistics is recommended. Developing Multimodel Ensemble (MME) can also help to improve seasonal forecasts in Iran’s river basins for agriculture and water resources management applications.