پیش بینی خشکسالی با استفاده از مدل های همادی آمریکای شمالی (NMME)در مناطق غربی ایران

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 202

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_WSRCJ-11-4_003

تاریخ نمایه سازی: 11 مهر 1401

Abstract:

زمینه و هدف: خشکسالی به عنوان یک مخاطره طبیعی، تاثیرات زیادی در بخش  های مختلف از جمله کشاورزی، منابع آب دارد و سالانه خسارات زیادی به این بخشها در سراسر دنیا تحمیل می  کند. لذا باید راهکارهایی جهت کاهش خسارت خشکسالی صورت گیرد و در این بین برنامه  ریزی و سازگاری با شرایط خشکسالی با استفاده از خروجی پیش  بینی به هنگام خشکسالی جز موثرترین راهکارها به حساب می  آید. با توجه به نیاز پیش  بینی خشکسالی و محدود بودن مطالعات ارزیابی شاخص  های خشکسالی به دست آمده از برون داد پیش  بینی بارش مدل-های همادی آمریکای شمالی در ایران، در این پژوهش به بررسی این مدل  ها در چهار حوضه آبریز کرخه، کارون بزرگ، حله و هندیجان-جراحی برای دوره ۲۰۱۸- ۱۹۸۲ پرداخته شد.روش پژوهش: در این پژوهش، ابتدا برونداد ماهانه مدل  های مختلف همادی آمریکای شمالی و در افق  های پیش بینی صفر تا ۹ ماه و در دوره آماری ۲۰۱۸-۱۹۸۲ مورد ارزیابی قرار گرفت و سپس شاخص خشکسالی SPI محاسبه شده است. برای ارزیابی از مقایسه این داده  ها با داده  های GPCC استفاده شد. جهت ارزیابی از سه معیار کمی CC، RMSE و BIAS استفاده شد. همچنین جهت یکپارچه کردن مدل-های موجود از دو روش الف: میانگین حسابی بین مدل  های موجود و ب: میانگین وزنی بین مدل  ها با در نظر گرفتن نتایج ضریب همبستگی (CC) ارزیابی شده است. همچنین جهت ارزیابی شاخص خشکسالی SPI از دو معیار طبقه  بندی شده POD و FAR و معیار کمی آماری CC استفاده شد. یافته ها: نتایج ارزیابی بارش مدل  ها نشان داد که مدل  های یکپارچه دارای عملکرد بهتری نسبت به مدل  های انفرادی هستند و در این مدل یکپارچه نیز مدل وزن  دهی شده عملکرد بهتری داشت. ارزیابی توزیع مکانی مدل  های بارش نیز نشان داد که دو حوضه آبریز کارون بزرگ و هندیجان-جراحی در افق پیش  بینی صفر ماه و حوضه آبریز هندیجان-جراحی در افق پیش  بینی یک ماهه دارای عملکرد بهتری هستند. نتایج ارزیابی شاخص خشکسالی نشان داد که مدل  های یکپارچه با وجود اینکه عملکرد بهتری در پیش  بینی بارش داشتند اما در پیش  بینی خشکسالی بهترین عملکرد متعلق به مدل  های NASA-GMAO-۰۶۲۰۱۲ و CFSv۲ است. همچنین نتایج نشان داد که پیش  بینی شاخص خشکسالی در بازه  های سه و شش ماه عملکرد بهتری نسبت به یک ماهه دارند. ارزیابی توزیع مکانی نیز نشان داد مدل  ها در حوضه  های جنوبی عملکرد بهتری دارند. به طور کلی می  توان نتیجه گرفت که مدل  های همادی آمریکای شمالی دارای عملکرد مناسبی در پیش  بینی خشکسالی در بعضی نقاط و در افق  های پیش  بینی مشخص هستند، لذا باید در هر نقطه قبل از استفاده مورد ارزیابی قرار گیرند. نتایج: نتایج به دست آمده از ارزیابی بارش نشان داد که به طور کلی یکپارچه کردن برون داد مدل  های دینامیکی باعث افزایش مهارت آن می  شود و یکپارچه کردن در حالت وزنی (WeightedNMME) عملکرد بهتری نسبت به حالت غیر وزنی (NMME) دارد. در افق پیش-بینی صفر ماهه بین مدل های انفرادی نیز مدل NASA-GMAO-۰۶۲۰۱۲ بیشترین مهارت را از نظر شاخص ارزیابی CC دارد ولی در افق پیش  بینی یک ماهه از نظر شاخص  های ارزیابی CC، RMSE و BIAS بهترین عملکرد متعلق به مدل CFSv۲ است. ارزیابی در شاخص  های خشکسالی نشان داد که عملکرد مدل می  تواند متفاوت از عملکرد آن ها در پیش  بینی بارش باشد. به طور مثال مدل WeightedNMME با این که عملکرد مناسبی در پیش  بینی خشکسالی دارد اما بهترین عملکرد در بین مدل  ها در ماه  های مختلف NASA-GMAO-۰۶۲۰۱۲ و CFSv۲ داشتند. ارزیابی مکانی نیز نشان داد که حوضه  های آبریز جنوبی دارای عملکرد بهتری نسبت بقیه حوضه  ها هستند.

Keywords:

مدل­ های همادی آمریکای شمالی , پیش بینی خشکسالی , پیش­بینی بارش فصلی , SPI

Authors

مهدی مقسمی

گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

نرگس ظهرابی

گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

حسین فتحیان

گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

علیرضا نیکبخت شهبازی

گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

محمدرضا یگانگی

گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • AghaKouchak, A. (۲۰۱۴). A baseline probabilistic drought forecasting framework using ...
  • AghaKouchak, A. (۲۰۱۵). A multivariate approach for persistence-based drought prediction: ...
  • Ajdari Moghadam, M., Khosravi, M., Hosseinpour Niknam, H. and jafari ...
  • Bai, Y., Chen, Z., Xie, J., and Li, C. (۲۰۱۶). ...
  • Belayneh, A., Adamowski, J., Khalil, B., and Ozga-Zielinski, B. (۲۰۱۴). ...
  • Dehban, H., Ebrahimi, K., Araghinejad, Sh. and Bazrafshan, J. (۲۰۱۹). ...
  • Gent, P. R., Yeager, S. G., Neale, R. B., Levis, ...
  • Khajehei, S., Ahmadalipour, A., and Moradkhani, H. (۲۰۱۸). An effective ...
  • Kirtman, B. P., and Min, D. (۲۰۰۹). Multimodel ensemble ENSO ...
  • Kirtman, B. P., Min, D., Infanti, J. M., Kinter, J. ...
  • Le, J. A., El-Askary, H. M., Allali, M., and Struppa, ...
  • Han, P., Wang, P. X., and Zhang, S. Y. (۲۰۱۰). ...
  • Hao, Z., and AghaKouchak, A. (۲۰۱۴). A nonparametric multivariate multi-index ...
  • Hao, Z., AghaKouchak, A., Nakhjiri, N., and Farahmand, A. (۲۰۱۴). ...
  • Hao, Z., Singh, V. P., and Xia, Y. (۲۰۱۸). Seasonal ...
  • Jahandid, M. and Shirvani, A. (۲۰۱۱). Drought Index Prediction based ...
  • Ma, F., Ye, A., Deng, X., Zhou, Z., Liu, X., ...
  • Madadgar, S., AghaKouchak, A., Shukla, S., Wood, A. W., Cheng, ...
  • McKee, T. B., Doesken, N. J., and Kleist, J. (۱۹۹۳). ...
  • McKee, T. B. ۱۹۹۵. Drought monitoring with multiple time scales. ...
  • Merryfield, W. J., Lee, W. S., Boer, G. J., Kharin, ...
  • Moreira, E. E., Coelho, C. A., Paulo, A. A., Pereira, ...
  • Mokhtarzad, M., Eskandari, F., Vanjani, N. J., and Arabasadi, A. ...
  • Najafi, H., Massah Bavani A.R., Irannejad P. and Robertson A. ...
  • Nikbakht Shahbazi, A., Zahraie, B, and Nasseri, M. (۲۰۱۲). Seasonal ...
  • SafarianZengir, V., Sobhani, B., and Asghari, S. (۲۰۲۰). Modeling and ...
  • Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., ...
  • Salvador, C., Nieto, R., Linares, C., Diaz, J., and Gimeno, ...
  • Slater, L. J., Villarini, G., and Bradley, A. A. (۲۰۱۷). ...
  • Shirmohammadi, B., Moradi, H., Moosavi, V., Semiromi, M. T., and ...
  • Shukla, S., McNally, A., Husak, G., and Funk, C. (۲۰۱۴). ...
  • Tian, D., Martinez, C. J., Graham, W. D., and Hwang, ...
  • Vecchi, G. A., Delworth, T., Gudgel, R., Kapnick, S., Rosati, ...
  • Vernieres, G., Rienecker, M. M., Kovach, R., and Keppenne, C. ...
  • Xu, L., Chen, N., Zhang, X., and Chen, Z. (۲۰۱۸). ...
  • Xu, L., Chen, N., Zhang, X., Chen, Z., Hu, C., ...
  • Yazdandoost, F., Moradian, S., Zakipour, M., Izadi, A., and Bavandpour, ...
  • Yuan, X., and Wood, E. F. (۲۰۱۳). Multimodel seasonal forecasting ...
  • Zhang, S., Harrison, M. J., Rosati, A., and Wittenberg, A. ...
  • نمایش کامل مراجع