سازمان جغرافیایی فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر» 2588-3860 25 98 2016 10 01 Comparing the performance of LARS_WG and RegCM4 models in simulating and post-processing of annual temperature and rainfall data in Great Khorasan مقایسه ی عملکرد مدل های LARS و RegCM4 در شبیه سازی و پس پردازش داده های سالانه دما و بارش خراسان بزرگ 157 170 22144 10.22131/sepehr.2016.22144 FA محمود احمدی استادیار اقلیم شناسی دانشگاه شهید بهشتی حسن لشکری دانشیار اقلیم شناسی دانشگاه شهید بهشتی قاسم کیخسروی دانشجوی دکتری اقلیم شناسی دانشگاه شهید بهشتی مجید آزادی دانشیار هواشناسی پژوهشکده هواشناسی، تهران Journal Article 2015 06 10 Abstract The present study was conducted to simulate precipitation and temperature with the RegCM4 and LARS dynamic model in two states, with and without using the statistical post-processing technique of direct model output in the north-east of Iran (Great Khorasan) and the statistical period of 1987-2011 in the annual time period. Based on the results, the annual bias average raw precipitation is equal to 53.63 millimeters and the post-processed is -11.25 in the LARS model in the study area during the 2007-2013 verification period. In summary, performing post-processing technique has been effective at 84% of the study stations in annual time scale and has reduced severely the bias error rate in most stations. Based on the results obtained from the RegCM4 model, the annual bias average raw rainfall of the RegCM4 model is calculated to be 85.3 millimeter and the post-processed to be 61.04 during the 2006-2011 verification period. Therefore, error values in most stations are very high before and after processing and the model results are not acceptable. In summary, performing post-processing technique has been effective at 75% of the research stations in annual time scale. Therefore, the absolute value of the bias error of the average annual rainfall post-processing of the LARS and RegCM4 models are equal to 13.6 and 61 respectively. The annual bias average raw temperature of the LARS model is equal to 0.096 degrees Celsius and the post-processed is -0.432. Practically, this is larger than the bias without post-processing, so post-processing operation is not effective in all stations and is only well defined in 46% of the stations. Simulation of 2 meter temperature data at the meteorological stations using the RegCM4 model as well as MA operations showed high efficiency.The annual bias average raw temperature of the RegCM4 model was -2.78 degrees centigrade which fell to -0.05 after applying post-processing technique. At all stations, the modelled annual temperature is different from observational data less than 0.1 ° C. Therefore, in the simulation of annual rainfall data, the LARS model is even more responsive than the RegCM4 model. And, in simulating the annual temperature data, the RegCM4 dynamic model shows a much better reality than the LARS statistical model. این تحقیق به منظور شبیه‌سازی بارش و دما با مدل دینامیکی RegCM4 وLARSدر دو حالت با و بدون به‌کارگیری تکنیک‌ پس‌پردازش آماری برونداد مستقیم مدل در شمال‌شرق 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 راستی‌آزمایی 2013-2007 میانگین اریبی بارش سالانه خام مدل برابر 63/53 میلیمتر و پس پردازش شده 25/11- می‌باشد. بطور خلاصه در مقیاس زمانی سالانه در 84 درصد ایستگاه‌های مطالعاتی انجام پس‌پردازش مؤثر واقع شده و میزان خطای اریبی را در بیشتر ایستگاه ها، بشدت کاسته است. بر اساس نتایج حاصله از مدل RegCM4، در دوره راستی‌آزمایی 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 ایستگاه‌ها قبل و بعد از پردازش بسیار بالا و نتایج مدل قابل قبول نیست. بطور خلاصه در مقیاس زمانی سالانه در 75 درصد ایستگاه‌های مطالعاتی انجام پس‌پردازش مؤثر واقع شده است. بنابراین قدر مطلق خطای اریبیپس پردازش متوسط بارش سالانه مدل LARS برابر با 6/13 و مدل RegCM4 برابر با 61 می‌باشد. 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 ایستگاه‌ها مؤثر واقع نشده و فقط در 46 درصد ایستگاه‌ها خوب تعریف می‌شود.شبیه سازی داده‌های دمای دومتری در ایستگاه‌‌های 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 پس‌‌پردازش به 05/0- کاهش یافت. در تمامی ایستگاه‌ها دمای سالانه مدل شده با داده‌های مشاهداتی کمتر از 1/0 درجه سانتیگراد اختلاف دارد. بنابراین در شبیه سازی داده‌های بارش سالانه مدل LARS تا حتی بهتر از مدل RegCM4 جوابگو می‌باشد. و در شبیه سازی داده‌های دمای سالانه مدل دینامیکی RegCM4، واقعیت خیلی بهتری از منطقه نسبت به مدل آماری LARS ، از خود نشان می‌دهد.

https://www.sepehr.org/article_22144_b8f79bd837fe105792717bfd96b5a5a0.pdf