ارزيابي مدل‌‌هاي CMIP5 جهت شبيه‌ سازي بارش با استفاده از تركيب داده‌هاي بارش شبكه‌اي APHRODIT و بارش ماهواره اي PERSIANN-CDR در سراسر استان خوزستان

Evaluation CMIP5 Models In Order to Simulate Rainfall by using a Combination of Precipitation data Network Aphrodit and Satellite Precipitation Persiann-cdr In Khuzestan Province

يكي از مهم ترين محدوديت هاي مدل هاي گردش عمومي جو، بزرگ مقياس بودن متغيرهاي اقليمي شبيه سازي شده مي باشد. بنابراين مي بايست به روش هاي مختلف ريزمقياس شوند تا توانايي لازم جهت برازش به منطقه مورد مطالعه را داشته باشند. انتخاب مدل GCM مناسب براي محدوده مورد مطالعه نقش بسيار مهمي در شبيه سازي پارامتر موردنظر (بارش) براي آينده دارد. در اين تحقيق از مدل هاي CMIP5 شامل BCC-CSM1.1.M، MPI-ESM-MR و MPI-ESM-LR به منظورارزيابي مدل ها در دوره پايه و مشخص كردن بهترين مدل جهت برازش به منطقه مورد مطالعه استفاده شد. بدين ترتيب كه ابتدا هيستوريكال مدل و ديتاي شاهد (تركيب بارش ماهواره اي پرژين و بارش شبكه اي آفروديت) به دو دوره تقسيم شد دوره اول 1992-1983 به عنوان دوره پايه و دوره دوم 2003-1994 به عنوان دوره ارزيابي. شاخص هاي راست آزمايي ميانگين خطاي مطلق و شاخص امتياز مهارتي ميانگين خطاي مطلق بين مدل ها و شاهد در دوره ارزيابي قبل و بعد از اصلاح و ريزمقياس نمايي به صورت فصلي در نرم افزار متلب براي تمامي پيكسل هاي استان خوزستان محاسبه شد. .نتايج حاكي از آن است كه قبل از اعمال روش ريزمقياس نمايي عامل تغيير (دلتا) مدل BCC-CSM1.1.Mداراي خطاي كمتر نسبت به دو مدل ديگر بود و دو مدل ديگر از لحاظ ميزان خطا تقريبا مشابه بودند. .بعد از اعمال روش دلتا مدل BCC-CSM1.1.M بهترين بهبود را از خود نشان داد و مدل هاي MPI-ESM-MR, MPI-ESM-LR به ترتيب در رتبه هاي دوم و سوم اهميت قرار گرفتند. بنابراين بيشترين اعتماد بعد از ريزمقياس نمايي به روش دلتا براي آينده تحت سناريوي RCP5.4 براي استان خوزستان به مدل BCC-CSM1.1.M اختصاص يافت.

One of the most important Limitation General Circulation Models , Large scale are being simulation of climatic variables. So should With Various method are downscaled, The ability to have identified a study area. Choose a suitable GCM model for the study area Very important role In the simulation parameter (precipitation) is intended for future. In this research of CMIP5 Models Contains BCC-CSM1.1.M , MPI-ESM-MR and MPI-ESM-LR was used In order to evaluate three models in the baseline period an‎d determine the best model In order to fit into the study area .The first the Historical and Observation data are divided in to two Periodes: the first half (1983-1992) the period baseline and the second half(1994-2003) the period Validation. Index verification Mean absolute error and MAE Skill score Calculate between models and observation data in the evaluation period before and after Downscaling seasonal in Software Matlab For all Pixels Khuzestan Province. Results show that Befor applying the change factor method BCC-CSM1.1.M Model Error was Less than the other two models , and The other two were similar in terms of error rate. After applying change factor, BCC-CSM1.1.M Model the improvement was driven self and MPI-ESM-MR and MPI-ESM-LR models were ranked as second and third suitable models. So most trusted after the downscaling change factor method for the future under the scenario RCP4.5 for Khuzestan Province was assigned to BCC-CSM1.1.M model.