توسعه سامانه پيشبيني چند مدلي بارش ماهانه در حوضه آبريز سفيدرود

Development of Monthly Ensemble Precipitation Forecasting System in Sefidrud Basin, IRAN

پيش‌بيني بارش يكي از ابزارهاي مهم در برنامه‌ريزي و مديريت منابع آب به حساب مي‌آيد. اخيراً از روش‌هاي جديدي به نام مدل‌هاي ديناميكي جو براي پيش‌بيني بسياري از متغيرهاي هيدرو-اقليمي از جمله بارش استفاده مي‌شود. قبل از استفاده از پيش‌بينيهاي اين مدل‌ها در برنامه‌ريزي و تصميم گيري، لازم است ارزيابي دقت و تصحيح اريبي آن‌ها انجام شود. از اين رو هدف مقاله حاضر، تصحيح اريبي و تركيب نتايج پيشبيني بارش مربوط به مجموعه‌اي از مدلهاي پيشبيني ديناميكي جهاني ميباشد. براي اين كار، ابتدا نتايج پيشبيني بارش هريك از مدلها به‌صورت جداگانه با دادههاي بارش ايستگاهي منطقه براي دوره تاريخي 1982 تا 2017 مقايسه شدند و خطاي سامان مند هريك از آن‌ها به روش نگاشت چندك تصحيح شد. اين كار براي افق‌هاي پيش‌بيني مختلف و براي پيش‌بيني‌هاي صادره از ماه‌هاي مختلف انجام شده است. در گام بعدي متناسب با دقت هر يك از مدلهاي پيش‌بيني، سامانه پيشبيني تركيبي يا چند مدلي با استفاده از روش ميانگين‌گيري بيزين توسعه داده شد. نتايج نشان داد پس از تصحيح اريبي به روش نگاشت چندك، حداقل يك مدل پيش‌بيني از 78 مدل پيش‌بيني داراي همبستگي نسبتاً بالا در حدود 7/0 مي‌باشد. اين نتيجه براي افق پيش‌بيني 1 ماه آينده بيشتر ديده شد. بعد از تركيب 78 عضو پيش‌بيني با استفاده از روش ميانگين‌گيري بيزين، اين ميزان همبستگي به بيشتر از 8/0 افزايش يافت. بنابراين با تصحيح اريبي و تركيب مدل‌هاي پيش‌بيني با يكديگر، دقت بارش پيش‌بيني‌شده به مقدار قابل‌توجهي افزايش مي‌يابد.

Precipitation forecasting is one of the most important tools in water resources planning and management. Recently, new methods called atmospheric dynamic models have been used to predict many hydro-climate variables including precipitation. Before using the predictions of these models in planning and decision making, the accuracy of the mentioned predictions and their bias correction should be evaluated. Therefore the objective of this study is to ascertain the biases and to combine the results of precipitation forecasting with a set of global dynamic forecasting models. To achieve this aim, firstly the precipitation forecast results of each model were compared separately with the regional recorded precipitation data in the period of 1982 to 2017. Using this approach, the systematic errors were removed and corrected, i.e. using the quantile mapping method. This work was done for different forecast periods and also for different months. Furthermore, based on the accuracy of each model, a hybrid/multi-model prediction system was developed using Bayesian averaging method (BMA). The results showed that after the bias correction, using the quantitative mapping, at least one model among 78 prediction models have a relatively high correlation value of about 0.7. This result was recorded for the next one-month horizon. This correlation was increased to more than 0.8, by combining 78 predictive members, using Bayesian averaging method. Therefore, the accuracy of the predicted precipitation increases significantly using bias correction in tandem with combining the prediction models.