كارآيي روش هاي پس پردازش آماري در بهبود پيش بيني ماهانه بارش مدل MRI-CGCM3 در خراسان رضوي

پيش بيني ماهانه بارش يكي از موضوعات چالشي در حوزه هيدرواقليم مي باشد. از آنجا كه استفاده عملياتي از مدل هاي عددي پيش بيني ماهانه در كشورمان به اندازه مدل هاي كوتاه مدت نمي باشد، لذا تاكنون مدل هاي پيش بيني عددي ماهانه در كشورمان عملياتي نشده اند؛ دو دليل مهم اين مشكل عدم دسترسي به كد مدل ديناميكي جهاني و عدم وجود داده هاي شرايط اوليه براي آغازگري آنها مي باشند. اين وضعيت موجب مي شود تا هر ساله به دليل عدم وجود سامانه پيش بيني فصلي قابل اعتماد، خسارات سنگيني به بخش هاي منابع آب، كشاورزي و منابع طبيعي كشورمان وارد گردد. به همين دليل در اين تحقيق برونداد مدل پيش بيني فصلي ديناميكي MRI-CGCM3 كه هم اكنون در سازمان هواشناسي ژاپن براي پيش بيني ماهانه متغيرهاي هواشناسي استفاده مي شود، به سه روش رگرسيون چندگانه، ميانگين متحرك و شبكه عصبي مصنوعي بر روي ايستگاههاي سينوپتيك مشهد، سبزوار و تربت حيدريه پس پردازش شدند. بارش پس پردازش شده به روش هاي ياد شده با برونداد مستقيم مدل (DMO) مقايسه گرديدند. نتايج نشان مي دهند كه اعمال پس پردازش آماري بر روي برونداد مستقيم مدل موجب بهبود پيش بيني ماهانه بارش بين 6 درصد در روش ميانگين متحرك تا 20 درصد در روش رگرسيون چند متغيره مي باشد و كارآيي روش رگرسيون چندگانه به مراتب از دو روش ميانگين متحرك و شبكه عصبي بهتر است. بر اساس منحني ROC، پيش بيني هاي در محدوده نرمال تا بيش از نرمال از صحت بيشتري برخوردار مي باشند.