استفاده از تحلیل همبستگی متعارف در مقیاس‌کاهی بارش سامانه‌های پیش‌بینی‌ فصلی و توسعه همادی چند مدلی در شرایط زمان واقعی

هدف از این پژوهش، ارزیابی روش تحلیل همبستگی متعارف (CCA)در ارائه پیش­بینی­های فصلی به­صورت مقیاس­کاهیشده در یک دوره بلندمدت 30 ساله است. این بررسی در غرب کشور ایران و با استفاده از برونداد بارش سامانه­های پیش­بینی فصلی همادی آمریکای شمالی انجام شد. بدین­منظور، در ابتدا بارش شبکه­بندی شده بر اساس اطلاعات سنجش‌ازدور(PERSIANN-CDR)با داده­های ثبت­شده از 23 ایستگاه­ همدیدی ارزیابی شد. ضریب همبستگی PERSIANN-CDRبا داده­های ایستگاهی همدیدی بین 7/0 و 95/0 محاسبه شده است. سپس اریب داده­های سنجش‌ازدور به­نسبت داده‌های ایستگاه­های همدیدی تصحیح و در انتها هر دو مجموعه داده (سنجش از دور- ایستگاه) تلفیق شدند. از مجموعه داده تلفیق­شده به­عنوان بارش مرجع در ارزیابی سامانه­های پیش­بینی فصلی با تفکیک مکانی 1 و 25/0 درجه (برونداد مستقیم و پس از کاربست CCA) استفاده شد. مدل­های پیش­بینیفصلی به­صورت انفرادی و وزن­دهی شده (سامانه­های همادی متشکل از 2 تا 8 مدل) مورد استفاده قرار گرفت. برای ارزیابی مهارت این مدل­ها، معیارهای ارزیابی شامل معیارهای پیوسته و طبقه­بندی­شده است که در دوره صحت‌سنجی محاسبه ­شده است. در این دوره، همبستگی اسپیرمن به­عنوان شاخص نیکویی برازش، بیشینه شده است. شاخص­های ارزیابی به‌صورت برونداد مستقیم و تصحیح شدهمقایسه شدند. نتایج نشان می­دهد که همه شاخص­ها پس از اعمال CCA بهبود می­یابند. لذا ­­رو­ش­شناسی پیشنهادی در مقیاس­کاهی و پس­پردازش سامانه­های پیش­بینی فصلی در محدوده مورد مطالعه کارا است. ­همچنین، سامانه همادی سه‌مدلی متشکل از CCSM4، CMC2، CFSv2 دارای مهارت بیشتر در مقایسه با همادی هشت‌مدلی و سایر مدل­های انفرادی است. این سامانه که دارای همبستگی اسپیرمن بیش از 6/0 با داده­های مرجع می­باشد، به‌عنوان مدل برتر با بیشترین نیکویی برازش در محدوده مورد مطالعه است. در اکثر محدوده مورد مطالعه، GFDL-aer04و سامانه­­های همادی چند مدلی توانسته­اند در 80 درصد از سال­هایی که بارش زیرنرمال اتفاق افتاده، بارش زیرنرمال را به­درستی پیش­بینی نمایند. یافته­های این پژوهش، کاربست روش­شناسی پیشنهادی در پیش­بینی­ خشک‌سالی هواشناسی به­صورت زمان واقعی در فصل اکتبر- دسامبر در محدوده غرب کشور ایران را آشکار می­سازد.