کارایی مدل اقلیمی RegCM4 در شبیه‌سازی بارش دورۀ سرد استان فارس مطالعۀ موردی: دورۀ 2010-1990

نویسندگان

1 کارشناس ارشد اقلیم‌شناسی- دانشگاه فردوسی مشهد- ایران

2 استادیار اقلیم‌شناسی- دانشگاه فردوسی مشهد- ایران

3 عضو هیئت علمی پژوهشکدۀ اقلیم‌شناسی مشهد- ایران

چکیده

هدف این پژوهش بررسی کارایی مدل اقلیمی RegCM4 در شبیه‌سازی بارش دورۀ سرد (سپتامبر تا فوریه) سال‌های 1990 تا2010 در جنوب غرب ایران (استان فارس) از طریق ریزمقیاس نمایی دینامیکی داده‌های دوباره تحلیل‌شدۀ مراکز ملی پیش‌بینی محیطی مرکز ملی پژوهش جوی (NCEP/NCAR) با تفکیک افقی 5/2 × 5/2 درجه است. داده‌های شرایط مرزی از مرکز بین‌المللی فیزیک نظری و بارش دیدبانی ماهانه از ادارۀ کل هواشناسی استان فارس اخذ شدند. با اجرای مدل منطقه‌ای RegCM4 داده‌های با تفکیک 5/2 × 5/2 درجه به داده‌های20×20 کیلومترمربع ریزمقیاس شدند. با هدف افزایش کارایی مدل RegCM4، برونداد با تفکیک افقی20 ×20 کیلومترمربع با به‌کارگیری روش وایازش چندمتغیره، پس‌پردازش آماری شدند. دوسری داده‌های بارش تولیدشده به روش‌های مذکور با داده‌های بارش مشاهداتی ماهانه مقایسه شدند تا کارایی ریزمقیاس ‌نمایی دینامیکی و پس‌پردازش آماری روی برونداد مدل RegCM4 مطالعه شود. نتایج نشان دادند که در پاییز کارایی هر دو روش یکسان است و هیچ‌کدام از دو روش ارجحیتی بر یکدیگر ندارند، اما در زمستان کارایی روش دینامیکی بهتر از روش دینامیکی- آماری است و استفاده از پس‌پردازش آماری موجب افزایش کارایی مدل نمی‌شود. در صورتی که این مقایسه برای کل دورۀ سرد سال (پاییز و زمستان) انجام گیرد، پس‌پردازش آماری کارایی مدل را کاهش می‌دهد. بنابراین می‌توان نتیجه‌گیری کرد که با روش استفاده‌شده در پس‌پردازش آماری، تفاوت معناداری بین داده‌های ریزمقیاس‌شده با تفکیک افقی 20 ×20 کیلومترمربع و داده‌های پس‌پردازش‌شده به روش وایازش چندمتغیره وجود ندارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Ability of RegCM4 climate model to simulate precipitation in cold period of fars. case study: 1990-2010 period

نویسندگان [English]

  • Fahime Mohammadi 1
  • Azar Zarin 2
  • Iman Babaeiyan 3
1
2
3
چکیده [English]

Due to climate changes, precipitation forecast average in time scale is one of the most important challenges for specialists in the recent years. The purpose of this research is to investigate the capabilities of the dynamic model RegCM4 in precipitation forecast in cold period of Fars province. In this study, September to February or 6 month is considered as the cold period. Several variable statistical periods 1990-2010 are selected. In this study, two data sets are used by post-processing methods using statistical regression techniques. 1 - Data needed for implementation of Dynamic Model RegCM4 was taken from the Centre ICTP with a NetCDF format including weather data on a daily scale (6 hours) with a horizontal grid 5/2 × 5/2 degrees, sea level data, with 1 ° grid surface data. 2 - Monthly precipitation data (mm) watch of seven synoptic stations which have been received from the Meteorological province. In order to implement dynamic model, the test of scheme determination is performed and investigation showed that Darrell’ scheme in comparison with the two other schemes, Koo and Emmanuel, has fewer errors in the modeling the rainfall during the cold season in Fars stations. After running the model, outputs were processed using multivariate regression methods. In order to enhance the efficiency of RegCM4 model, 20 km horizontal resolution model output (dynamic) using multiple regression the statistical post-processing (dynamic-data) groups. Double precipitation data with a resolution of 20 km and precipitation observations of monthly precipitation data were compared with the post-processed to determine the performance of the statistical processing on the output RegCM4 model.The results with comparing the data showed that in 43% of the stations in autumn the use of raw output of climate model precipitation RegCM4 and dynamic-statistic method have had the same efficiencies and in about 14% of cases neither of the two options have preference to the other. In winter many more stations represent the efficiency of using the raw climate model RegCM4 as 4 out of 7 stations have confirmed the superiority of the model in this season (57 percent) while the number of successful stations using the dynamic-Statistics is 2 (29 percent). Also 1 station (14%) in applying the above two cases do not have a specific preference. In the cold period of Fars Province, the number of the stations adapted with raw output of climate model (rainfall) RegCM4, and the output of dynamic-statistic method is respectively 5 cases (71%) and 2 cases (29%). in the study of rainfall in cold period no cases has been found that none of the options is not superior to the other in it. In general we can say that in 1.57% of cases the output of RegCM4 model and in 3.33% of cases the output of dynamic-statistic method has better ability to predict rainfall of Fars in cold period.Therefore, we can conclude that the small-scale dynamic view of 20 × 20 km horizontal resolution needed to apply statistical post-processing or dynamic-data to enhance the accuracy of the data is not mentioned.

کلیدواژه‌ها [English]

  • RegCM4
  • Downscaling
  • Statistical post-processing
  • precipitation
  • Fars
  1. احمدوند،م.، ناظم السادات،س م.، کامکار حقیقی،ع.، شریف زاده،م.، 1388، پذیرش پیش‌بینی‌های بلند مدت بارش: مورد مطالعه گندمکاران استان فارس، مجله علوم ترویج و آموزش کشاورزی ایران، شماره2، صفحه 1-15.
  2. احمدی گیوی،ف.، پرهیزکار،د.، 1387، بررسی نقش انسو در بارش سالانه ایران در دوره 1971 -2000، مجله ژئوفیزیک ایران، شماره 2، صفحه 25-37.
  3. ایران نژاد،پ.، احمدی گیوی، ف.، پازوکی،ر.،۱۳۸۸، نقش روش‌های متفاوت پارامترسازی همرفت در شبیه‌سازی میدان‌های دما و بارش زمستانی با مدل منطقه‌ای – اقلیمی RegCM در منطقۀه ایران، فیزیک زمین و فضا، دوره ۳۵، شماره ۱،صفحه ۱۰۱-۱۲۰.
  4. بابائیان،ا.، مدیریان،ر.، کریمیان،م.، حبیبی نوخندان،م.، 1386، شبیه‌سازی بارش ماه‌های سرد سال‌های 1376 و 1379 با استفاده از مدل اقلیمیRegCM3، مجلۀه جغرافیا و توسعه، شماره 10، صفحه 55 -72 .
  5. Basit, A., Shoaib R., Irfan, N., Avila, R., 2012, Simulation of Monsoon Precipitation over South-Asia Using RegCM3, International Scholarly Research Network (ISRN) Meteorology,Vol 201, PP: 1-14.
  6.  Dickinson, R., Sellers A., kennedy, P.J., 1993: Biospher-atmosphere transfer scheme (BATS) version le as coupled to the ncar community climate model, Tech. rep., National Center for Atmospheric Research.
  7.  Elguindi, N., Giorgi, F., Nagarajan, B., Pal, J., Solmon, F., Rauscher, S., Zakey, A., 2010, RegCM Version 4.0 User’s guide, The Abdus Salam International Centre for Theoretical Physics (ICTP).
  8. Francisco, R., 2003, Some Experiments in Running the RegCM over the Philippines, ICTP Workshop on the Theory and Use of Regional Climate Models, Trieste Italy.
  9. Giorgi, F., Bates, G., 1989, The climatological skill of a regional model over complex terrain, Monthly Weather Review, Vol 117, PP: 2325–2347.
  10.  Hewitson, B., C., R., G., Crane, 2005, Consensus between GCM Climate Change Projections with Empirical Downscaling: Precipitation Downscaling over South Africa, Journal of Climatology, Vol 26, PP: 1315-1337.
  11.  Islam, N., Rahman1, M., 2007, Uddin Ahmed, A., Romee, A., Comparison of RegCM3 simulated meteorological parameters in Bangladesh: Part I- preliminary result for rainfall, Sri Lankan Journal of Physics,Vol 8, PP: 1-9.
  12.  Karori, M., 2008, Downscaling NCC CGCM Output for Sesonal Precipitation Predication over ISLAMABAD- PAKISTAN, Pakistan journal of meteorology, Vol 4, PP: 59-72.
  13.  Nazemosadat M.J., and A. R. Ghasemi, 2004: Quantifying the ENSO-Related Shifts in the Intensity and Probability of Drought and Wet Periods in Iran. J. Climate, 17, 4005–4018.
  14. Pal, J., Giorgi, F., Bi X., Elguindi N., Eltahir E., Francisco R., 2003, Developments in the Latest Version of the RegCM, ICTP Workshop on the Theory and Use of Regional Climate Models, Trieste Italy.
  15. Pal, J., Giorgi, F., BiX., Elguindi, N., Salmon, F., Gao X., Rauscher, S., Francisco, R., Zakey, A., Winter, J., Ashfagh, M., Syed, F.,S., Bell, J., Diffenbaugh, J.,K., Konare, A., Martinez, D., Rocha, R., Sloan, L., Steiner, A., 2007, Regional Climate modeling for the Developing World, the ICTP and RegCNET, Bulletin of American meteorological society, Vol , PP: 1396-1409.
  16. Zorita, E., Storch, V., 1998, The Analog method as a simple statistical downscaling technique: comparison with more complicated methods, Journal of Climate, Vol 12, PP: 2474-2489.
  17. Wang, Y., Sen, O.L., Wang, B., 2002, A Highly Resolved Regional Climate Model and its Simulation of the 1998 Sever Precipitation Event over China, Part 1: Model Description and Verification of Simulation, Jurnal of Climate, Vol 19, PP:1721- 1728.
  1. روان،و.، ناظم السادات، س م.، 1390، پیش‌بینی نوسان‌های دما و بارش در پهنه مرکزی استان فارس برای دوره زمانی 2011-2040، مجله مهندسی منابع آب، شماره 4، صفحه 51-62.
  2. فتاحی، ا.، دلاور،م.، صداقت کردار،ع.، 1387، پیش‌بینی بلند مدت بارش با استفاده از شبکه‌های عصبی مصنوعی، مجله پژوهش وسازندگی در منابع طبیعی، شماره 80، صفحه 44-50.
  3. قهرمان،ن.، بابائیان،ا.، موسوی،م.، 1393، بررسی مهارت مدل RegCM در برآورد تبخیر و تعرق پتانسیل در اقلیم گذشته و دوره 2035-2021 ، مطالعه موردی : ایستگاه مشهد، ژئوفیزیک ایران ، شماره 4، صفحه 49-64.
  4. کریمیان،م.، مدیریان،ر.، بابائیان،ا.، 1388، بررسی توانمندی مدل RegCM3 در مدل‌سازی بارش و دمای استان خراسان، مطالعه موردی : زمستان‌های دوره 1991 تا 2000، فصلنامه تحقیقات جغرافیایی، شماره 97، صفحه 168-186.
  5. مفیدی،ع.،کارخانه،م.،زرین،آ.،۱۳۹۲، شبیه‌سازی نقش دریای خزر در وقوع بارش‌های منطقه‌ای با استفاده از مدل اقلیمی مقیاس منطقه‌ای RegCM پیوندخورده با مدل دریاچه، نخستین کنفرانس ملی آب و هواشناسی ایران، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفتۀ کرمان.
  6. میرزایی،ا.،آزادی،م.،محب الحجه،ع.،۱۳۸۳، مطالعۀ کمی اثر خلیج فارس و دریای عمام در تغذیۀ رطوبتی سامانه‌های همدیدی در ایران با استفاده از مدل منطقه‌ای اقلیمی RegCM ، نهمین کنفرانس دینامیک شاره ها، دانشگاه شیراز.
  7. هندرسون- سلز،. مک گوفی،1380، نخستین گام در مدل‌سازی اقلیمی، ترجمۀ مسعودیان،ا،. غیور، ح،. انتشارات دانشگاه اصفهان، ایران[Mj1] .

12.     Adeniyi, M., 2014, Sensitivity of different convection schemes in RegCM4 for simulation of precipitation during the Septembers of 1989 and 1998 over West Africa, Theoretical and Applied Climatology,115:305-322. DOI 10.1007/s00704-013-0881-5.

13.     Anthes, RA., Hsie, EY., Kuo, YH., 1987, Description of the Penn State University NCAR Mesoscale Model MM4 NCAR Tech Note, NCAR=TN-282, STR, PP: 66.