ایمان بابائیان - استادیار /گروه پژوهشی تغییر اقلیم، پژوهشکده اقلیم شناسی، مشهد، ایران
مریم کریمیان - کارشناس پژوهشی/ گروه پژوهشی تغییر اقلیم، پژوهشکده اقلیم شناسی، مشهد، ایران.
راهله مدیریان - کارشناس پژوهشی/ گروه پژوهشی تغییر اقلیم، پژوهشکده اقلیم شناسی، مشهد، ایران.
فاطمه بیاتانی - دانشجوی دکتری / اقلیم شناسی، دانشگاه حکیم سبزواری، سبزوار، ایران.
الهام فهیمی نژاد - دانشجوی دکتری /اقلیم شناسی، دانشگاه حکیم سبزواری، سبزوار، ایران.

پیش بینی ماهانه بارش یکی از موضوعات چالشی در حوزه هیدرواقلیم می باشد. از آنجا که استفاده عملیاتی از مدل های عددی پیش بینی ماهانه در کشورمان به اندازه مدل های کوتاه مدت نمی باشد، لذا تاکنون مدل های پیش بینی عددی ماهانه در کشورمان عملیاتی نشده اند؛ دو دلیل مهم این مشکل عدم دسترسی به کد مدل دینامیکی جهانی و عدم وجود داده های شرایط اولیه برای آغازگری آنها می باشند. این وضعیت موجب می شود تا هر ساله به دلیل عدم وجود سامانه پیش بینی فصلی قابل اعتماد، خسارات سنگینی به بخش های منابع آب، کشاورزی و منابع طبیعی کشورمان وارد گردد. به همین دلیل در این تحقیق برونداد مدل پیش بینی فصلی دینامیکی MRI-CGCM۳ که هم اکنون در سازمان هواشناسی ژاپن برای پیش بینی ماهانه متغیرهای هواشناسی استفاده می شود، به سه روش رگرسیون چندگانه، میانگین متحرک و شبکه عصبی مصنوعی بر روی ایستگاههای سینوپتیک مشهد، سبزوار و تربت حیدریه پس پردازش شدند. بارش پس پردازش شده به روش های یاد شده با برونداد مستقیم مدل (DMO) مقایسه گردیدند. نتایج نشان می دهند که اعمال پس پردازش آماری بر روی برونداد مستقیم مدل موجب بهبود پیش بینی ماهانه بارش بین ۶ درصد در روش میانگین متحرک تا ۲۰ درصد در روش رگرسیون چند متغیره می باشد و کارآیی روش رگرسیون چندگانه به مراتب از دو روش میانگین متحرک و شبکه عصبی بهتر است. بر اساس منحنی ROC، پیش بینی های در محدوده نرمال تا بیش از نرمال از صحت بیشتری برخوردار می باشند.

پیش بینی عددی, مدل MRI-CGCM۳, پس پردازش, بارش, خراسان رضوی