پیش بینی خشکسالی با استفاده از مدل های همادی آمریکای شمالی (NMME)در مناطق غربی ایران

خشکسالی به عنوان یک مخاطره طبیعی، تاثیرات زیادی در بخش  های مختلف از جمله کشاورزی، منابع آب دارد و سالانه خسارات زیادی به این بخشها در سراسر دنیا تحمیل می  کند. لذا باید راهکارهایی جهت کاهش خسارت خشکسالی صورت گیرد و در این بین برنامه  ریزی و سازگاری با شرایط خشکسالی با استفاده از خروجی پیش  بینی به هنگام خشکسالی جز موثرترین راهکارها به حساب می  آید. با توجه به نیاز پیش  بینی خشکسالی و محدود بودن مطالعات ارزیابی شاخص  های خشکسالی به دست آمده از برون داد پیش  بینی بارش مدل-های همادی آمریکای شمالی در ایران، در این پژوهش به بررسی این مدل  ها در چهار حوضه آبریز کرخه، کارون بزرگ، حله و هندیجان-جراحی برای دوره 2018- 1982 پرداخته شد.

در این پژوهش، ابتدا برونداد ماهانه مدل  های مختلف همادی آمریکای شمالی و در افق  های پیش بینی صفر تا 9 ماه و در دوره آماری 2018-1982 مورد ارزیابی قرار گرفت و سپس شاخص خشکسالی SPI محاسبه شده است. برای ارزیابی از مقایسه این داده  ها با داده  های GPCC استفاده شد. جهت ارزیابی از سه معیار کمی CC، RMSE و BIAS استفاده شد. همچنین جهت یکپارچه کردن مدل-های موجود از دو روش الف: میانگین حسابی بین مدل  های موجود و ب: میانگین وزنی بین مدل  ها با در نظر گرفتن نتایج ضریب همبستگی (CC) ارزیابی شده است. همچنین جهت ارزیابی شاخص خشکسالی SPI از دو معیار طبقه  بندی شده POD و FAR و معیار کمی آماری CC استفاده شد.

نتایج ارزیابی بارش مدل  ها نشان داد که مدل  های یکپارچه دارای عملکرد بهتری نسبت به مدل  های انفرادی هستند و در این مدل یکپارچه نیز مدل وزن  دهی شده عملکرد بهتری داشت. ارزیابی توزیع مکانی مدل  های بارش نیز نشان داد که دو حوضه آبریز کارون بزرگ و هندیجان-جراحی در افق پیش  بینی صفر ماه و حوضه آبریز هندیجان-جراحی در افق پیش  بینی یک ماهه دارای عملکرد بهتری هستند. نتایج ارزیابی شاخص خشکسالی نشان داد که مدل  های یکپارچه با وجود اینکه عملکرد بهتری در پیش  بینی بارش داشتند اما در پیش  بینی خشکسالی بهترین عملکرد متعلق به مدل  های NASA-GMAO-062012 و CFSv2 است. همچنین نتایج نشان داد که پیش  بینی شاخص خشکسالی در بازه  های سه و شش ماه عملکرد بهتری نسبت به یک ماهه دارند. ارزیابی توزیع مکانی نیز نشان داد مدل  ها در حوضه  های جنوبی عملکرد بهتری دارند. به طور کلی می  توان نتیجه گرفت که مدل  های همادی آمریکای شمالی دارای عملکرد مناسبی در پیش  بینی خشکسالی در بعضی نقاط و در افق  های پیش  بینی مشخص هستند، لذا باید در هر نقطه قبل از استفاده مورد ارزیابی قرار گیرند. 

نتایج به دست آمده از ارزیابی بارش نشان داد که به طور کلی یکپارچه کردن برون داد مدل  های دینامیکی باعث افزایش مهارت آن می  شود و یکپارچه کردن در حالت وزنی (WeightedNMME) عملکرد بهتری نسبت به حالت غیر وزنی (NMME) دارد. در افق پیش-بینی صفر ماهه بین مدل های انفرادی نیز مدل NASA-GMAO-062012 بیشترین مهارت را از نظر شاخص ارزیابی CC دارد ولی در افق پیش  بینی یک ماهه از نظر شاخص  های ارزیابی CC، RMSE و BIAS بهترین عملکرد متعلق به مدل CFSv2 است. ارزیابی در شاخص  های خشکسالی نشان داد که عملکرد مدل می  تواند متفاوت از عملکرد آن ها در پیش  بینی بارش باشد. به طور مثال مدل WeightedNMME با این که عملکرد مناسبی در پیش  بینی خشکسالی دارد اما بهترین عملکرد در بین مدل  ها در ماه  های مختلف NASA-GMAO-062012 و CFSv2 داشتند. ارزیابی مکانی نیز نشان داد که حوضه  های آبریز جنوبی دارای عملکرد بهتری نسبت بقیه حوضه  ها هستند.