بخشی از پاورپوینت
اسلاید 1 :
پيش آگاهي فصلي خشكسالي كشور با استفاده از پس پردازش برونداد مدل ديناميكي MRI-CGCM3
اسلاید 2 :
موضوعات
پيش بيني فصلي و امكانپذير بودن بودن آن
سابقه پيش بيني فصلي در كشور
معرفي مدل MRI-CGCM3
داده ها و روش اجراي پس پردازش
بررسي نتايج پيش بيني بارش و خشكسالي
جمع بندي
اسلاید 3 :
تحول زماني سيستم اقليم در بستر قوانين فيزيكي رخ مي دهد و اصولا اگر ما اطلاع دقيقي از شرايط اوليه جو در زمان مشخص و دانش كاملي نيز از قوانين فيزيك داشته باشيم، پيش بيني وضع هوا و به تبع آن پيش بيني اقليم امكانپذير است،
پيش بيني فصلي پيش بيني نوسان هاي اقليمي با بسامد هاي كم مانند ميانگين هاي هفتگي، ماهانه و فصلي براي مدتي بيش از دو هفته است،
مهمترين نيروي محركه اقليم دماي پهنه هاي اقيانوسي بوده كه تغييرات آن از ماهي به ماه ديگر به دليل ظرفيت گرمايي بالا بطئي بوده، لذا از آنجا كه پيش بيني تغييرات دماي پهنه هاي آبي بزرگ مقياس امكانپذير است، بنابراين پيش بيني فصلي را ممكن مي گردد.
پيش بيني فصلي و امكانپذير بودن بودن آن
اسلاید 4 :
پيش بيني فصلي كمي در كشور با بكار گيري برونداد مدل هاي ديناميكي از سال 1385 در كشور(مركز ملي اقليم) شروع شد، هر چند قبل از آن برخي مطالعات كاربردي با ا ستفاده از روش هاي آماري در مراكز مختلف انجام شده بود،
در ابتدا صدور پيش بيني ها مبتني بر شاخص هاي دورپيوندي و تحليل كيفي الگوهاي فشار و ارتفاع لايه هاي مياني جو بودند،
در مرحله بعد پيش بيني ها با تلفيق كمي برونداد پس پردازش نشده مدل ها و داده هاي تصويري با استفاده از نرم افزار Arc-GIS تهيه شدند. در اين مرحله كه هم اكنون نيز ادامه دارد از چهار مدل پيش بيني فصلي MRI-CGCM3، ECMWF، Hadley و NCEP-CFS استفاده مي شود كه همگي وزن يكساني در پيش بيني نهايي دارند.
سابقه پيش بيني فصلي در كشور
اسلاید 5 :
پيش بيني فصلي حال حاضر كشور
90-1388
اسلاید 6 :
معرفي مدل MRI-CGCM3
اسلاید 7 :
ساختار قائم و شبكه هاي مدل
اسلاید 8 :
بخش اتمسفری
اسلاید 9 :
بخش اقیانوسی
اسلاید 10 :
مدل های گردش عمومی با هدف ارائه وضعیت کلی سیستم اقلیم در مقیاس بزرگ اجرا می شوند و قادر به مدل سازی حالت اقلیم در مقیاس ریز و جزئیات بیشتر نیستند،
در حال حاضر قدرت تفکیک افقی خروجی مدل های گردش عمومی برای پیش بینی فصلی حدود 2/5 در 2/5 درجه است که این قدرت تفکیک نمی تواند سیمای واقعی اقلیم را ارائه دهد، لذا لازم است داده های مذکور ریزمقیاس نمایی شوند،
به دلیل عدم دسترسی به داده های شرایط مرزی واقعي مدل های پیش بینی فصلی، امکان ریزمقیاس نمایی ديناميكي آنها در داخل کشور وجود ندارد،
بنابراین تنها راه باقیمانده انجام پس پردازش آماری برای بهبود پیش بینی های فصلی می باشد،
به طور کلی انجام هر روش آماری پس از آخرین مرحله ریزمقیاس نمایی دینامیکی را پس پردازش آماری می گویند.
داده ها و روش پس پردازش
اسلاید 11 :
در این تحقیق از دو نوع داده استفاده شده است:
الف- داده های دیدبانی
شامل بارش در دوره 1980تا 2008 به صورت ماهانه (29 سال)
ب-برونداد مدل پیش بینی فصلی
- شامل 20 متغیر خروجی مدل به دو صورت
1-متغیرهای در مقیاس شبکه ای مانند بارش، دما، ارتفاع ژئوپتانسیلی و . . .
2-شاخص های خروجی مدل مانند NINO-SST و میانگین
ارتفاع ژئوپتانسیلی کمربند بین عرض 30 تا 40 درجه شمالی و . . .
- قدرت تفکیک مکانی داده ها 2/5 در 2/5 درجه جغرافیایی
- تمامی داده های مدل در دوره مورد مطالعه مربوط به نسخه MRI-CGCM3 می باشد که هم اکنون نسخه مذکور برای پیش بینی فصلی کشور ژاپن نیز استفاده می شود.
اسلاید 12 :
داده هاي مدل
اسلاید 13 :
ايستگاهها
اسلاید 14 :
روش كار
گام اول: از نرم افزار جامپ (JM4) به منظور تعيين همبستگي جزئي بين 20 متغير-شاخص برونداد مدل MRI-CGCM3 با بارش ديدباني شده ايستگاه استفاده گرديد. . براي اين منظور 21 متغير ياد شده به عنوان متغير مستقل معرفي شدند.
اسلاید 15 :
گام دوم: پس ار مشخص شدن آن دسته از بروندادهايي كه داراي بيشترين همبستگي با بارش مشاهداتي ايستگاه هواشناسي مورد مطالعه بودند، در نرم افزار اكسل يك ماكرو طراحي شد كه معادله همبستگي چندمتغيره بين برونداد مدل را با بارش مشاهداتي ايستگاه محاسبه مي نمود.
اسلاید 16 :
شاخص هاي ارزيابي
خطاي مجذور مربعات مقادير پيش بيني
خطاي مجذور مربعات مقادير ديدباني
شاخص خطاي مجذور مربعات
شاخص درستي پيش بيني طبقه اي
خطاي ميانگين اريبي
خطاي نسبي
اسلاید 17 :
طبقات SPI براي پيش بيني
اسلاید 18 :
رويكرد پيش بيني در اين تحقيق
از آنجا كه رويكرد اصلي درپيش بيني فصلي پيش بيني كيفي(طبقه اي) و نه كمي مي باشد، در اين تحقيق هر دو رويكرد كمي و كيفي با تاكيد بر ديدگاه كيفي مد نظر قرار گرفته است:
در پيش بيني فصلي بارش، بارش ها به دو صورت مقادير كمي و كيفي پيش بيني شده و مورد ارزيابي قرار گرفتند. پيش بيني كيفي در سه طبقه بيش از نرمال، نرمال و كمتر از نرمال انجام شد،
براي پيش بيني شاخص خشكسالي از مقادير كمي بارش پيش بيني شده بعد از اعمال فرآيند پس پردازش استفاده شد،
نقشه هاي خشكسالي فقط در سه طبقه خشكسالي،نرمال و ترسالي تهيه شدند، اما توانمندي مدل براي هر دو حالت پيش بيني كمي و كيفي انجام شد.
اسلاید 19 :
بررسي نتايج پيش بيني بارش
