کارآیی روش های پس پردازش آماری در بهبود پیش بینی ماهانه بارش مدل MRI-CGCM3 در خراسان رضوی

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-CGCM3 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 6 درصد در روش میانگین متحرک تا 20 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.