Developing Real-time Multi-model Ensemble and Downscaling of Seasonal Precipitation Forecast Systems: Application of Canonical Correlation Analysis

Authors

1 Ph.D. Student, Department of Water Resources Engineering, College of Aburaihan, University of Tehran, Iran

2 Associate Professor, Department of Water Resources Engineering, College of Aburaihan, University of Tehran, Iran

3 Associate Professor, Department of Space Physics, Institute of Geophysics, University of Tehran, Iran

4 Head of Climate Group, International Research Institute for Climate and Society (IRI), Erath Institute, University of Columbia, New York, USA

Abstract

The aim of this research is to evaluate a statistical method for downscaling the precipitation output of a number of Coupled General Circulation Models issuing seasonal forecasts 9 month in advance. Canonical Correlation Analysis (CCA) is applied for post-processing precipitation from the North American Multi-model Ensemble (NMME) project. The analysis is done for a long-term period (1986-2015) in the west of Iran. The area under study includes Karkheh River Basin where a significant reduction in renewable water resources has faced policymakers with challenges in water resources allocation and provision of environmental requirements to Hoor-al-Azim marshland downstream. PERSIANN-CDR biases are computed and corrected against in-situ observations by applying the multiplicative method. Bias corrected Satellite-based rainfall data merged with 23 gauge-based data. The approach for merging station-satellite-based rainfall estimation includes a spatio-temporal LM method which fits linear regression to the deterministic part of universal variation. It exhibits appropriate performance in terms of Correlation, Nash-Sutcliffe Efficiency and mean absolute error and multiplicative bias. After merging, correlation coefficients between the merged data and gauge-based rainfall are between 0.92 and 0.98 for all stations whereas it was between 0.7-0.95 for PERSIANN-CDR. The merged precipitation grided dataset is then used as the reference to evaluate NMME seasonal forecasting systems October-December being the target season. Forecasts initialized on the early October, September and August (lead time-0, lead-time-1 and lead-time-2 months, respectively) are evaluated for individual raw model outputs. Multi-Model Ensemble is also developed by assigning equal weights to individual models. Multi-model Ensemble which consists the 3 best individual models (CCSM4, CMC2 and CFSv2) outperforms all other MME which consist 2 to 8 models (ρ=0.560). It also outperforms CCSM4 which has the highest Spearman correlation of 0.486 among all models. Canonical Correlation Analysis (CCA) is then applied to individual and MME seasonal mean precipitation forecasts to correct biases in the position. Probabilistic forecasts are produced based on the best-guess forecast estimated by regression model (CCA). Predictand is transformed to normal distribution before performing the calculations. Then the forecast is transformed back to the empirical distribution. By assuming that the errors in the best-guess forecast are normally distributed, the variance of the errors is defined by the sampling errors in the regression parameters, and by the variance of the errors in the cross-validated predictions. Then the probabilities of exceeding the various thresholds (below normal, normal and above normal terciles) are calculated for issuing probabilistic forecast from 1986-2015. The goodness index is improved for all models after performing CCA especially for GFDL-aer04 and CMC1 having the most correctable systematic biases. 3 model-based MME is recognized to have highest skill (Spearman correlation=0.623) at 0-month lead time. The models also show high skill for initializations made in the early August and early September. ROC-area for below-normal precipitation is more than 0.5 for almost all models which shows the skill of NMME seasonal forecast systems in meteorological drought prediction. The skill of NMME in forecasting October-December precipitation in the west of Iran can help decision makers in real-time water resources and agricultural planning before water-year starts (In the late September). 

Keywords

Main Subjects


احمدی باصری، ن.، شیروانی، ا. و ناظم السادات، م. ج.، 1393، کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن بروندادهای مدل GCM برای پیش‌بینی بارش در پهنه جنوبی ایران، ن. آب‌وخاک. 28، 1047-1037.

بابائیان، ا.، کریمیان، م.، مدیریان، ر.، بیاتانی، ف. و فهیمی­نژاد، ا.، 1395، کارآیی روش­های پس­پردازش در بهبود پیش­بینی ماهانه بارش مدل MRI-CGCM3 در خراسان رضوی، م. تحقیقات منابع آب ایران. 12(2)، 92-83.

بابائیان، ا.، کریمیان، م. و مدیریان، ر.، 1393، پس­پردازش برونداد مدل دینامیکی MRI-CGCM3 برای پیش‌بینی فصلی بارش استان خراسان رضوی، م. ژئوفیزیک ایران. 7(3)، 133-119.

باقرزاده، ف.، 1393، پیش‌بینی دراز مدت میزان بارش (ماهانه و فصلی) با استفاده از شبکه‌های عصبی مصنوعی. پایان­نامه کارشناسی ارشد، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان.

بهان­سد، 1392، گزارش نهایی مدل­سازی برنامه­ریزی منابع آب حوضه آبریز کرخه. مطالعات بهنگام‌سازی طرح جامع آب کشور در حوضه­های آبریز مرزی غرب، کرخه، کارون بزرگ، جراحی و زهره. 134 صفحه.

زهرایی، ب.، 1390، تدوین نرم‌افزار پیش‌بینی فصلی بارش استانداردشده (SPI) و رواناب ورودی به سدهای تهران. طرح پژوهشی دانشگاه تهران برای شرکت سهامی آب­ منطقه­ای تهران، (http://www.thrw.ir/SC.php?type=static&id=90).

زهرایی، ب.، 1388، تدوین مدل خوشه‌بندی اطلاعات و سیگنال‌های هواشناسی باهدف پیش‌بینی دوره‌های کم‌بارش. طرح پژوهشی دانشگاه تهران برای شرکت سهامی آب­ منطقه­ای تهران، (http://www.thrw.ir/SC.php?type=static&id=90).

فلاح قالهری، غ ع.، موسوی‌بایگی، م. و حبیبی نوخندان، م.، 1387، تعیین همبستگی الگوهای سینوپتیکی با سطوح فوقانی به کمک مدل رگرسیونی گام‌به‌گام، م. دانش علوم آب­وخاک. 19(1)، 143-125.
فلاح قالهری، غ. ع.، موسوی بایگی، م. و. حبیبی نوخندان، م.، 1388، پیش­بینی بارش فصلی بر اساس الگوهای سینوپتیکی با استفاده از سیستم استنباط فازی- عصبی تطبیقی (ANFIS)، م. پژوهش­های جغرافیای طبیعی 66، 139-121.
مدرسی، ف.، عراقی­نژاد، ش.، و ابراهیمیان، ک.، 1394، ارزیابی راهبرد ترکیب مدل­ها در افزایش دقت پیش‌بینی بارش پاییزه، ن. هواشناسی کشاورزی. 3(2)، 13-1.
ناظم‌السادات، م. و شیروانی ا.، 1385، پیش‌بینی بارش زمستانه مناطق جنوبی ایران با استفاده از دمای سطح آب خلیج‌فارس: مدل‌سازی تحلیل همبستگی متعارف، م. علمی کشاورزی. 29، 77-66.
نجفی، ح.، مساح­بوانی، ع. ر. و ایران‌نژاد، پ.، 1395، پیش‌بینی فصلی احتمالاتی بارش پاییزه سال‌های آبی 96 -95 و 95-94 در گستره ایران: ارزش افزوده همادی مدل‌های آمریکای شمالی (NMME) در تخصیص بهنگام منابع آب. مجموعه مقالات چاپ شده در اولین کنفرانس بین­المللی تغییر اقلیم با شعار «تغییر اقلیم، مدیریت آب، نجات زمین»، 9 و 10 اسفندماه، وزارت نیرو، تهران، ایران.
نجفی، ح. و مساح­بوانی، ع. ر.، 1395، ارائه روش­های جدید در پیش­بینی متغیرهای هیدرو اقلیمی کشور در مقیاس درون‌فصلی تا بین­سالی. مجموعه مقالات همایش علل و راهکارهای مقابله با بحران کمّی و کیفی منابع آب کشور، 22 و 23 اردیبهشت­ماه 1395، فرهنگستان علوم جمهوری اسلامی ایران، تهران، ایران.
نجفی، ح.، مساح­بوانی، ع. ر. و ایران­نژاد، پ.، 1396، کاربست مدل­های همادی آمریکای شمالی در پیش­بینی­ فصلی بارش گستره­ی ایران، م. تحقیقات منابع آب ایران، 13(4)، 28-38.
نیکبخت شهبازی، ع.ر.، زهرایی، ب. و ناصری، م.، 1391، پیش­بینی فصلی خشک‌سالی هواشناسی با استفاده از ماشین­های بردار پشتیبان، م. آب و فاضلاب. 23(2)، 84-72.
Ashoori, H., Hsu, K. L., Sorooshian, S. and Braithwaite, D. K., 2015, PERSIANN-CDR: Daily precipitation climate datarecord from multisatelite observations for hydrological and climate studies, Bull. Am. Meterol. Soc., 96(1), 69-83, doi:10.1175/BAMS-D-13-00068.1.
Barbero, R., Abatzoglou, J. and Hegewisch, K., 2017, Evaluation of statistical downscaling of North American Multi-Model Ensemble forecasts over western USA. Weather and Forecasting, 32, 327–34, doi: 10.1175/WAF-D-16-0117.1.
Dirks, K. N., Hay, J. E., Stow, C. D. and Harris, D., 1998, High-resolution studies of rainfall on Norfolk Island: Part II: Interpolation of rainfall data. J. Hydrol., 208, 187–193.

Ehsan, M. A., Tippett, M. K., Almazroui, M., Ismail, M., Yousef, A., Kucharski, F. and Omar, M., 2016, Skill and predictability in multimodel ensemble forecasts for Northern Hemisphere regions with dominant winter precipitation. Climate Dyn., 48, 3309-3324, doi:10.1007/s00382-016-3267-4.

Gent, P. R., Yeager, S. G., Neale, R. B., Levis, S. and Bailey, D. A., 2010, Improvements in a half degree atmosphere/land version of the CCSM. Clim Dyn, 34(6), 819-833.
Hsieh, H. H., Cheng, S. J., Liou, J. Y., Chou, S. C. and Siao, B. R., 2006, Characterization of spatially distributed summer daily rainfall. J. Chin. Agric. Eng., 52, 47–55.
Ines, A. V. M. and Hansen, J. W., 2006, Bias correction of daily GCM rainfall for crop simulation studies. Agric. For. Meteorol., 138, 44–53.
Katiraie-Boroujerdy, P. S., Ashouri, H., Hsu, K. and Sorooshian, S., 2016, Trends of precipitation extreme indices over a subtropical semi-arid area using PERSIANN-CDR. Theor. Appl. Climatol., 1-12, doi:10.1007/s00704-016-1884-9.
Katiraie-Boroujerdy, P. S., Akbari Asanjan, A., Hsu, K. L. and Sorooshian, S, 2017, Intercomparison of PERSIANN-CDR and TRMM-3B42V7 precipitation estimates at monthly and daily time scales. Atmos. Res., 193, 36-49, doi.org/ 10.1016/ j.atmosres. 2017.04.005.
Kirtman, B. P., Min, D., Infanti, J. M., Kinter III, J. L., Paolino, D. A., Zhang, Q., Van Den Dool, H., Saha, S., Mendez, M. P., Becker, E. and Peng, P., 2014, The North American multimodel ensemble: phase-1 seasonal-to-interannual prediction; phase-2 toward developing intraseasonal prediction. Bull. Am. Meteorol. Soc, 95(4), 585-601.
Kong, Y. F. and Tong, W. W., 2008, Spatial exploration and interpolation of the surface precipitation data. Geogr. Res., 27, 1097–1108.
Kurtzman, D. Navon, S. and Morin, E., 2009, Improving interpolation of daily precipitation for hydrologic modeling: Spatial patterns of preferred interpolators. Hydrol. Process, 23, 3281–3291.
Li, B. Huang, J. F. Jin, Z. F. and Liu, Z. Y., 2010, Methods for calculation precipitation spatial distribution of Zhejiang Province based on GIS. J. Zhejiang Univ, 27, 239–244.
Ma, F., Ye, A., Deng, X., Zhou, Z., Liu, X., Duan, Q., Xu, J., Miao, C., Dia, Z. and Gonga, W., 2016, Evaluating the skill of NMME seasonal precipitation ensemble predictions for 17 hydroclimatic regions in continental China. Int. J. Climatol, 36, 132-144.
Mason, S. J. and Tippett, M. K., 2017, Climate Predictability Tool version 15.5.10, Columbia University Academic Commons, https://doi.org/ 10.7916/D8G44WJ6.
Merryfield, W. J., Lee, W. S., Boer, G. J., Kharin, V. V., Scinocca, J. F., Flato, G. M., Ajayamohan, R. S., Fyfe, J. C., Tang, Y. and Polavarapu, S., 2013, The Canadian seasonal to interannual prediction system. Part I: Models and initialization, Mon. Wea. Rev., 141(8), 2910-2945.
Najafi, H., Massah Bavani, A. R., Wanders, N., Wood, E., Irannejad, P. and Robertson, A.W., 2017, Developing Multi-model Ensemble for precipitation and temperature seasonal forecasts: Implications for Karkheh river basin in Iran, Geophysical Research Abstracts, Vol. 19, EGU2017-18597-3, EGU General Assembly 2017, 23-28 April, Vienne, Austria.
Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P., Behringer, D., Hou, Y. T., Chuang, H. Y., Iredell, M. and Ek, M., 2014, The NCEP climate forecast system version 2, J. Climate, 27(6), 2185-2208.
Shirvani, A. and Landman, A. W., 2016, Seasonal precipitation skill over Iran. Int. J. Climatol., 36, 1887-1900.
Wilks, D. S., 2011, Statistical methods in the atmospheric sciences. 3rd ed. – (International geophysics series; v. 100). ISBN 978-0-12-385022-5.
Vernieres, G., Rienecker, M., Kovach, R. and Keppenne, C. H. L., 2012, The GEOS-iODAS: Description and Evaluation. Technical Report Series on Global Modeling and Data Assimilation, TM-2012-104606 30, 1-61.
Wu, L., Wu, X. J., Xiao, C. C. and Tian, Y., 2010, On temporal and spatial error distribution of five precipitation interpolation models. Geogr. Geo-Inf. Sci, 26, 19–24.
Zhang, S., Harrison, J., Rosati, M. J. and Wittenberg A. T., 2007, System design and evaluation of coupled ensemble data assimilation for global oceanic climate studies. Mon. Weather Rev., 135, 3541–3564, doi:10.1175/MWR3466.1.
Zohrabi, N., Goodarzi, E., Massah Bavani, A. R. and Najafi, H., 2016, Detection and attribution of climate change in regional scale: A case study of Karkheh river basin in the West of Iran, Theor. Appl. Climatol., 1-14, doi: 10.1007/s00704-016-1896-5.