نوع مقاله : مقاله پژوهشی

نویسندگان

• محمد امینی ¹
• منصوره کوهی ²
• مرتضی محمدی ³

¹ گروه آمار، دانشکده ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران

² استادیار، پژوهشگاه هواشناسی و علوم جو-پژوهشکده اقلیم شناسی و تغییر اقلیم، مشهد - ایران

³ گروه آمار، دانشگاه زابل، زابل، ایران

چکیده

الگوهای پیوند از دور، از علل نوسان‌های بارش مناطق مختلف دنیا از جمله ایران به شمار می‌روند. از این متغیرها می‌توان به‌عنوان پیشگو در مدل‌های پیش‌بینی بارش استفاده کرد. هدف این پژوهش، ارائه مدل‌ دو متغیره پیش‌بینی بارش پاییزه بر مبنای این الگوها برای منطقه شمال غرب کشور می‌باشد. به‌دلیل عدم تحقق فرض نرمال بودن بارش (عدم امکان استفاده از ضریب همبستگی پیرسون) و وجود رابطه غیر‌خطی بین این نمایه‌ها و بارش، در این پژوهش، از توابع مفصل استفاده شد. وابستگی دورپیوندهای اقیانوس آرام و اقیانوس اطلس با بارش برای دوره 2020-1991 با استفاده از ضریب وابستگی رتبه‌ای کندال و ضریب وابستگی رتبه‌ای پیرسون برای پنجره‌های متحرک 1 تا 6 ماهه محاسبه شد. در ادامه، مفصل‌های مناسب برای مدلسازی بی‌هنجاری بارش بکار رفت و کارایی مدل‌های تدوین شده بررسی شد. نتایج نشان داد بالاترین ضریب وابستگی τ کندال، بین بی‌هنجاری بارش و دورپیوندهای NINO3.4، SOI و MEI بدست آمد. در نتیجه، مدل‌های تدوین شده با این نمایه‌ها، دارای کارایی بالاتری در شبیه‌سازی بارش بودند. در این بین، مدل دارای پیشگوی NINO3.4، بهترین برآورد بی‌هنجاری بارش را برای سال 2021 و 2022 به‌ترتیب به میزان mm 4/2- و 5/8- ارائه داد.

کلیدواژه‌ها

• بی هنجاری
• مدل دومتغیره
• پیشگو
• مفصل

موضوعات

• مدیریت منابع آب

عنوان مقاله [English]

Evaluating the Utility of Bivariate Copula-Statistical Models for Forecasting Autumn Precipitation (Case study: Northwest of Iran)

نویسندگان [English]

• Mohammad Amini ¹
• Mansoureh Kouhi ²
• Morteza Mohammadi ³

¹ Ferdowsi University of Mashhad

² Department of Natural Disasters and Climate Change, Faculty of Climatological Research Institute, Mashhad, Iran

³ Zabol University, Zabol, Iran

چکیده [English]

Teleconnection patterns are one of the causes of precipitation fluctuations in various regions of the world, including Iran. These patterns can be used as predictors in precipitation forecasting models. This study aims to develop the bivariate models for forecasting autumn precipitation in the northwestern region of Iran based on teleconnection indices. Copula functions were chosen for this task because the assumption of normal distribution for precipitation data is not met (making Pearson correlation unsuitable), and because of the nonlinear relationship between precipitation and the teleconnection indices. The dependence of Pacific and Atlantic Ocean teleconnection indices with precipitation for the period 1991-2020 was calculated using Kendall's and Pearson's rank correlation coefficients for moving windows of one to six months. Appropriate copulas were then used to model precipitation, and the performance of the developed models was evaluated. The results showed the highest Kendall's Tau were obtained between the precipitation and the NINO3.4, SOI, and MEI indices. Consequently, the bivariate models using these indices demonstrated higher efficiency in simulating precipitation anomalies. Among these models, the one with the NINO3.4 predictor provided the best estimate of precipitation anomaly for the years 2021 and 2022, with values of -4.2 mm and -5.8 mm, respectively.

کلیدواژه‌ها [English]

• Anomaly
• Bivariate Models
• Predictor
• Copula