Abstract:
این تحقیق به منظور شبیه سازی بارش و دما با مدل دینامیکی RegCM4 وLARSدر دو حالت با و بدون به کارگیری تکنیک پس پردازش آماری برونداد مستقیم مدل در شمال شرق ایران (خراسان بزرگ) ودوره آماری 2011-1987 در مقطع زمانی سالانه انجام شده است.بر اساس نتایج حاصله، در مدل LARS در منطقه مورد مطالعه، در دوره راستی آزمایی 2013-2007 میانگین اریبی بارش سالانه خام مدل برابر 63/53 میلیمتر و پس پردازش شده 25/11- می باشد. بطور خلاصه در مقیاس زمانی سالانه در 84 درصد ایستگاه های مطالعاتی انجام پس پردازش موثر واقع شده و میزان خطای اریبی را در بیشتر ایستگاه ها، بشدت کاسته است. بر اساس نتایج حاصله از مدل RegCM4، در دوره راستی آزمایی 2011-2006 میانگین اریبی بارش سالانه خام مدل RegCM4 برابر 3/85 میلیمتر و پس پردازش شده 04/61 محاسبه شده است.لذا مقادیر خطا در بیشتر ایستگاه ها قبل و بعد از پردازش بسیار بالا و نتایج مدل قابل قبول نیست. بطور خلاصه در مقیاس زمانی سالانه در 75 درصد ایستگاه های مطالعاتی انجام پس پردازش موثر واقع شده است. بنابراین قدر مطلق خطای اریبیپس پردازش متوسط بارش سالانه مدل LARS برابر با 6/13 و مدل RegCM4 برابر با 61 می باشد. میانگین اریبی دمای سالانه خام مدل LARS برابر 096/0 درجه سانتیگراد و پس پردازش شده 432/0- است. این در عمل بزرگتر از اریبی بدون پس پردازش شده است، لذا عمل پس پردازش در تمامی ایستگاه ها موثر واقع نشده و فقط در 46 درصد ایستگاه ها خوب تعریف می شود.شبیه سازی داده های دمای دومتری در ایستگاه های هواشناسی با استفاده از مدل RegCM4 و نیز اعمال MA کارایی بالایی را نشان داد. میانگین اریبی دمای سالانه خام مدل RegCM4 برابر 78/2- درجه سانتیگراد بود که پس از اعمال پس پردازش به 05/0- کاهش یافت. در تمامی ایستگاه ها دمای سالانه مدل شده با داده های مشاهداتی کمتر از 1/0 درجه سانتیگراد اختلاف دارد. بنابراین در شبیه سازی داده های بارش سالانه مدل LARS تا حتی بهتر از مدل RegCM4 جوابگو می باشد. و در شبیه سازی داده های دمای سالانه مدل دینامیکی RegCM4، واقعیت خیلی بهتری از منطقه نسبت به مدل آماری LARS ، از خود نشان می دهد.
In this study، rainfall and temperature simulated annual in north-east of Iran (Great Khorasan) In the period 1987-2011. Basedon the results، in LARS model during verification period (2007-2013)، average annual rainfall raw bias is equal to 53.63 millimeterand post- processed is -11.25. Shortly، in annual period، in 84% of studied stations، post-processing techniques have been effectiveand bias error rate has decreased heavily in more stations. Based on the results، in Reg-CM4 model during verificationperiod (2006-2011)، average annual rainfall raw bias is equal to 85.3 millimeter and post- processed is 61.04. Shortly، in annualperiod، in 75% of studied stations، post-processing techniques havebeen effective and MA technique is more effective. So absolutebias error after processing an average annual rainfall of LARSequal to 6/13 and RegCM4 model is 61 .average annualtemperature raw bias is equal to 0.096 millimeter and post- processed is -0.432. This is more than bias without post-processing hence، post-processing is not effective in all stationsand only in 46% of stations are good. Simulation of 2--meter temperature data in climate stations with RegCM modeland MA technique show high effectiveness. Average annual temperature rawbias in RegCM4 model is equal to -2.78 millimeter andpost- processed is -0.05. In all stations modeled annual temperaturewith Observed data has difference less than 0.1. Also inrainfall simulation، LARS_WG model is more better than RegCMmodel and in simulation of annual temperature data، dynamic RegCM4model show more clear Objectivity of researched area rather thanLARS_WG model