مرکز ملی اقلیم شناسی-مشهد
توضیحاتی در باره داده هاي پيش بيني فصلي مدل MRI-CGCM
پس از موافقت ضمني سازمان جهاني هواشناسي با ايجاد مركز منطقه اي اقليم در مركز ملي اقليم شناسي (مشهد) و بر اساس هماهنگي به عمل آمده بين پژوهشكده اقليم شناسي و مركز اقليم توكيو از ماه آگوست 2011 داده هاي خروجي مدل گردش عمومي
MRI-CGCM، كه هم اكنون در هواشناسي ژاپن از آن به عنوان مدل عملياتي پيش بيني فصلي استفاده مي شود، در اوايل هر ماه ميلادي براي مركز ملي اقليم شناسي ارسال مي گردد. تفكيك مكاني اين داده ها 5/2 * 5/2 درجه (حدود 250 در 250 كيلومتر) مي باشد كه طبيعتا نمي توان از آنها مستقيما براي صدور پيش بيني فصلي در مقیاس مکانی استاني يا ايستگاهي استفاده كرد. براي اينكار دو راهكار وجود دارد: الف-ريزمقياس نمايي ديناميكي،ب-ريزمقياس نمايي آماري.
براي ريزمقياس نمايي ديناميكي به داده هاي شرايط مرزي روزانه با تفكيك زماني حداقل 6 ساعته نياز است تا داده های یادشده به عنوان ورودی اولیه به یک مدل منطقه ای مانند RegCM داده شود و داده های با تفکیک مکانی بالاتر (حدود 50 در 50 کیلومتر) حاصل گردد. از آنجا كه اين گونه داده ها معمولا توسط مراکز مهم اقليمي جهاني به سادگي در اختيار ساير كشورها قرار نمي گيرد ويا در صورت دسترسي به آنها، حجم داده ها بسیار زياد است كه با توجه به زيرساخت نه چندان مناسب امكان دریافت آنها وجود ندارد، لذا تنها گزينه موجود پيش رو براي ارتقاء كيفيت داده هاي مذكور ريزمقياس نمايي آماري می باشد، هر چند صحت اين روش كمتر از روش ديناميكي مي باشد.
گروه پيش بيني فصلي پژوهشكده اقليم شناسي از سال 1385 با استفاده از داده هاي گرافيكي دريافتي از مراكز پيش بيني فصلي بين المللي از جمله
ECMWF،
NCEP،
IRI،
APEC،
Met Office،
CGCM و برخي مراكز بين المللي ديگر و نيز به كارگيري شاخص هاي دورپيوندي، اقدام به تهيه نقشه هاي پيش بيني فصلي در كشور نمود. اين اقدام در حقيقت گام اولیه در پيش بيني فصلي کشور به شمار مي آید و نمي توان آنرا به عنوان يك روش عملياتي در تهيه پيش بيني فصلي مد نظر قرار داد. با ميسر شدن اخذ داده هاي شبكه اي (Grided) از مركز اقليم توكيو و با حمايت مركز آموزش سازمان هواشناسي كشور، اولين دوره استفاده از مدل هاي اقليمي در پيش بيني فصلي با شركت 22 نفر از كارشناسان ارشد استان هاي مختلف و دانشجویان تحصیلات تکمیلی علاقمند به موضوع در پژوهشكده اقليم شناسي برگزار گرديد. در این دوره داده هاي مذكور به شركت كنندگان معرفي گرديدند و با استفاده از داده های مشاهداتی ایستگاهها و داده های hindcast مدل پیش بینی فصلی، روشی برای پس پردازش آنها براي امكان صدور پيش بيني فصلي در مقياس ايستگاهي ارائه گرديد. در لینک پایین فايل هاي آموزشی دوره قرار داده شده است که افراد علاقمند می توانند آنهارا دریافت کرده و برای ایستگاه مورد نظر خود پیش بینی فصلی صادر نمایند. البته روش ارائه شده تنها روش ممکن نیست بلکه با توجه به وجود داده های پیش بینی، hind cast و مشاهداتی ایستگاه ها از هر روش متداول واسنجی و ریزمقیاس نمایی می توان استفاده کرد. این روش ها طیف وسیعی از همبستگی ساده تا شبکه عصبی، فازی و یا تحلیل مولفه مبنا را در برمی گیرند. فایلی که برای دانلود گذاشته شده است شامل اندیس هایی است که با استفاده از روش رگرسیون چند متغیره می توانید پیش بینی بارش یا دمای مدل را بر روی ایستگاه مورد نظر واسنجی نمائید. در حقیقت با اینکار ارتباط و یا رفتار بارش واقعی ایستگاه با مقادیر پیش بینی شده مدل دینامیکی تبیین می شود که این رفتار می تواند برای آینده مورد استفاده قرار گیرد. سپس هر ماه با دریافت اندیس ها و مقادیر بزرگ مقیاس شبکه ای پیش بینی شده مربوط به بارش ، دما، ارتفاع ژئوپتانسیلی، ضخامت، میانگین بارش پیش بینی شده کمربند 30 تا 50 درجه شمالی و سایر متغیرهای دیگر ، بارش یا دمای ایستگاه پیش بینی می شود.