ارزیابی دقت داده‌های بازتحلیل پایگاه‌های اقلیمی جهانی CFS-v2، MERRA-2، ERA-5 برای برآورد دمای متوسط در مناطق مختلف کشور

نوع مقاله : مقاله پژوهشی‌

نویسندگان

1 استادیار، پژوهشگاه هواشناسی و علوم جو، تهران، ایران

2 کارشناس پژوهشی، پژوهشگاه هواشناسی و علوم جو، تهران، ایران

چکیده

شبکه ایستگاه‌های همدیدی در سطح کشور توزیع یکنواختی ندارند. پراکندگی ایستگاه‌ها در مناطق پرجمعیت بیشتر و در اطراف بخش بزرگی از نواحی مرکزی ایران کمتر است. همین‌طور، این ایستگاه‌ها دارای طول آماری متفاوتی هستند؛ بنابراین داده‌های مشاهداتی ایستگاه‌های هواشناسی به تنهایی نمی‌توانند تصویر کامل و دقیقی از وضعیت اقلیم گذشته و همین‌طور پیش‌بینی وضعیت آینده به ما بدهند. در سال‌های اخیر، استفاده از محصولات بازتحلیل به عنوان داده‌های شبه‌مشاهداتی، به‌ویژه برای مطالعات اقلیمی و پیش‌بینی عددی وضع هوا، مورد‌توجه قرار گرفته‌اند. قبل از به‌کارگیری محصولات بازتحلیل در مطالعات، ارزیابی عملکرد آن‌ها در هر منطقه ضروری است. در این مقاله، داده‌های بازتحلیل دمای میانگین پایگاه‌های اقلیمی CFS-v2، MERRA-2، ERA-5، با استفاده از داده‌های 143 ایستگاه هواشناسی در دوره 1991-2020، مورد ارزیابی قرار گرفتند. در 6 ناحیه معرف تنوع اقلیمی در کشور، با استفاده از شاخص‌های آماری ضریب همبستگی پیرسون (R)، مجذور میانگین مربعات خطا (RMSE)، مجذور میانگین مربعات خطای نرمال شده (NRMSE)، ضریب کارایی نش-ساتکلیف (NSC)، شاخص اریبی نسبی (Relative Bias)، میانگین قدرمطلق خطا (MAE) و ضریب کلینگ‌گوپتا (KGE)، داده‌های بازتحلیل مورد مقایسه قرار گرفتند. همین‌طور دقت فصلی،‌ روند سالانه و توزیع احتمال داده‌های بازتحلیل شده در مقایسه با داده‌های مشاهداتی تحلیل شدند. نتایج نشان داد به‌طورکلی عملکرد پایگاه داده‌های ERA-5 در برآورد دمای میانگین، بر اساس هفت شاخص محاسبه شده، بیشتر از MERRA-2 و CFS-v2 است. مقادیر MAE به ترتیب برای داده‌های CFS-v2، MERRA-2، ERA-5 برابر با 077/۲،‌ 71/1 و 39/1 می‌باشد؛ اما در فصل بهار،‌ برای خوشه‌ی بسیار گرم (جنوب غرب)،‌ داده‌های CFS-v2؛‌ در فصل تابستان،‌ در خوشه‌ی بسیار گرم (‌جنوب غرب)‌ و بسیار سرد (‌شمال غرب)‌،‌ داده‌های MERAA-2؛ و در فصل پاییز و زمستان،‌ در خوشه گرم ساحلی (سواحل دریای عمان و خلیج‌فارس)،‌ داده‌های MERAA-2؛ کمترین خطا را دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Accuracy assessment of CFS-v2, MERRA-2, ERA-5 temperature over the different regions of Iran

نویسندگان [English]

  • Zohreh Javanshiri 1
  • Ebrahim Asadi Oskouei 1
  • Yashar Flamarzi 1
  • Fatemeh Abasi 2
1 Assistant professor, Research Institute of Meteorology and Atmospheric Science, Tehran, Iran
2 Research Expert, Research Institute of Meteorology and Atmospheric Science, Tehran, Iran
چکیده [English]

The distribution of stations network is not uniform in Iran. The number of stations is more in densely populated areas and less around a large part of the central areas of Iran. Also, these stations have been operating for various periods. Therefore, in situ observation cannot lead to robust results and conclusions for the climate model evaluation and climate change studies. In recent years, reanalysis products have been considered as pseudo-observations, especially for climate studies and weather forecasting. The evaluation of reanalysis products is fundamental and critical because of the uncertainty due to the interpolation and to the data assimilation and forecasting models. In this paper, the reanalysis data of CFS-v2, MERRA-2, and ERA-5 climate databases are evaluated, using the data of 143 meteorological stations over the period 1991-2020. Reanalysis data are compared using Pearson's correlation coefficient (R), root mean square error (RMSE), normalized mean square error (NRMSE), Nash-Sutcliffe efficiency coefficient (NSC), bias index (BIAS), mean absolute error (MAE) and Kling–Gupta efficient (KGE), in the 6 regions representative of climate diversity in Iran. Also, the seasonal accuracy, annual trend, and probability distribution of the reanalyzed data were analyzed in comparison with the observations. The results show that CFS-v2, MERRA-2, and ERA-5 have high accuracy for estimating the temperature in Iran. In general, based on all statistical indicators and in all regions, ERA-5 is the most accurate; MERRA-2 and CFS-v2 were ranked second and third, with MAE values of 1.39, 1.71, and 2.077, respectively. In the spring, for the hot cluster (southwest), CFS-v2 data; in the summer, for the hot (southwest) and very cold (northwest) clusters, MERAA-2 data; and in autumn and winter, for the warm coastal cluster (coasts of Oman Sea and Persian Gulf), MERAA-2 data; are most accurate. In terms of annual trends, in the very cold cluster (northwest), CFS-v2 data; in the hot cluster (southwest), MERRA-2 data; and in other places, the data of ERA-5 have the closest trend to the trend of observations.

کلیدواژه‌ها [English]

  • CFS-v2
  • MERRA-2
  • ERA-5
  • temperature
  • statistical indicators

مراجع

احمدی، محمود، داداشی رودباری، عباسعلی، احمدی، حمزه و علی بخشی، زهرا. (1397). واکاوی ساختار دمای ایران مبتنی بر برونداد پایگاه داده مرکز پیش­بینی میان­مدت هوا سپهر اروپایی (ECMWF) .نسخه ERA Interim. مجله پژوهش­های جغرافیایی طبیعی، 50(2)، 372-353.
اکبری، مهری و صیاد، وحیده. (1400). تحلیل مطالعات تغییر اقلیم در ایران. مجله پژوهش های جغرافیای طبیعی، 53(1)، 37-74.
دیداری، شهره،  قاسمی، محمد مهدی و پاک پرور، مجتبی. (1399). فارس: پنجمین همایش ملی دانش و فناوری علوم کشاورزی، منابع طبیعی و محیط زیست ایران، تهران.
سام خانیانی، علی و محمدی، سیده عاطفه. (1401). مقایسه داده‌های بازتحلیل ERA5-Land با مشاهدات زمینی در ایران: مجله ژئوفیزیک ایران، 16(1)، 212- 195.
شکری کوچک، سعید، آخوند علی، علی محمد، شریفی، محمدرضا. (1398). معرفی و مقایسه عملکرد دو پایگاه جهانی داده بازتحلیل در برآورد دمای هوای روزانه بیشینه،کمینه و میانگین )مطالعه موردی:حوضه آبریز رودخانه حله(: مجله ژئوفیزیک ایران، 13(3)، 53- 68.
عربی یزدی، اعظم، ثنایی نژاد، سید حسین، مفیدی، عباس. (1398). ارزیابی تولیدات شبکه­ای تحلیل مجدد پایگاه اروپایی پیش بینی­های میان­مدت جوّی ECMWF درمناطق اقلیمی مختلف ایران: نشریه پژوهش­های اقلیم­شناسی، 10(38)، 76-63.
عساکره، حسین. (1387). کاربرد روش کریجینگ در میان‌یابی بارش: مجله جغرافیا و توسعه، 6(12)، 42-25.
کریمی، مصطفی، کاکی، سیف اله، رفعتی، سمیه. (1397). شرایط و مخاطرات اقلیمی آیندۀ ایران در تحقیقات اقلیمی: مجله تحلیل فضایی مخاطرات محیطی، 5(3)، 22-1.
Acharya, N., Faniriantsoa, R., Rashid, B., Sultana, R., Montes, C., Dinku, T. and Hassan, S.M.Q. (2020). Developing High-resolution Gridded Rainfall and Temperature Data for Bangladesh: the ENACTS-BMD dataset: doi: 10.20944/preprints202012.0468.v1.
Asadi Oskouei, E., Delsouz Khaki, B., Kouzegaran, S., Navidi, M.N., Haghighatd, M., Davatgar, N. and Lopez-Baeza, E. (2022). Mapping Climate Zones of Iran Using Hybrid Interpolation Methods: Remote Sensing, 14(11), 2632. . https://doi.org/10.3390/rs14112632.
Beck, H.E., Pan, M., Roy, T., Weedon, G.P., Pappenberger, F., Van Dijk, A.I., Huffman, G.J., Adler, R.F. and Wood, E.F. (2019). Daily evaluation of 26 precipitation datasets using Stage-IV gauge-radar data for the CONUS: Hydrology and Earth System Sciences, 23(1), pp.207-224.
Belda, M., Holtanová, E., Halenka, T. and Kalvová, J. (2014). Climate classification revisited: from Köppen to Trewartha: Climate research, 59(1), pp.1-13.
Forsythe, N., Blenkinsop, S. and Fowler, H.J. (2015). Exploring objective climate classification for the Himalayan arc and adjacent regions using gridded data sources. Earth System Dynamics, 6(1), pp.311-326.
Gelaro, R., McCarty, W., Suárez, M.J., Todling, R., Molod, A., Takacs, L., Randles, C.A., Darmenov, A., Bosilovich, M.G., Reichle, R. and Wargan, K. (2017). The modern-era retrospective analysis for research and applications, version 2 (MERRA-2): Journal of climate, 30(14), pp.5419-5454.
Gleixner, S., Demissie, T. and Diro, G.T. (2020). Did ERA5 improve temperature and precipitation reanalysis over East Africa?. Atmosphere, 11(9), p.996.
Guijarro, J.A. (2018). Homogenization of climatic series with Climatol. Reporte técnico State Meteorological Agency (AEMET), Balearic Islands Office, Spain.
Gupta, H.V., Kling, H., Yilmaz, K.K. and Martinez, G.F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2), pp.80-91.
Haylock, M.R., Hofstra, N., Klein Tank, A.M.G., Klok, E.J., Jones, P.D. and New, M. (2008). A European daily high‐resolution gridded data set of surface temperature and    precipitation    for
 
      950–2006: Journal of Geophysical Research: Atmospheres, 113: 1-12.
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D. and Simmons, A. (2020). The ERA5 global reanalysis: Quarterly Journal of the Royal Meteorological Society, 146(730), pp.1999-2049.
Holden, Z.A., Swanson, A., Klene, A.E., Abatzoglou, J.T., Dobrowski, S.Z., Cushman, S.A., Squires, J., Moisen, G.G. and Oyler, J.W. (2016). Development of high‐resolution (250 m) historical daily gridded air temperature data using reanalysis and distributed sensor networks for the US Northern Rocky Mountains. International Journal of Climatology, 36(10), pp.3620-3632. DOI: 10.1002/joc.4580.
Izadi, N., Karakani, E.G., Saadatabadi, A.R., Shamsipour, A., Fattahi, E. and Habibi, M. (2021). Evaluation of ERA5 Precipitation Accuracy Based on Various Time Scales over Iran during 2000–2018. Water, 13(18), p.2538.
Javanshiri, Z., Pakdaman, M. and Falamarzi, Y. (2021). Homogenization and trend detection of temperature in Iran for the period 1960–2018: Meteorology and Atmospheric Physics, 133(4), pp.1233-1250.
Kaufman, L., and Rousseeuw, P.J. (1990), Finding Groups in Data: An Introduction to Cluster Analysis: Wiley, New York.
McNicholl, B., Lee, Y.H., Campbell, A.G. and Dev, S. (2021). Evaluating the Reliability of Air Temperature from ERA5 Reanalysis Data. IEEE Geoscience and Remote Sensing Letters, 19, pp.1-5.
Miri, M., Azizi, G., Khoshakhlagh, F., and Rahimi, M. (2016). Statistical evaluation of rainfall and temperature gridded data with rain observation data: Iranian Journal of Watershed Management Sciences and Engineering 39-50 (In Persian).
Miri, M., Raziei, T., Rahimi, M. (2016). Evaluation and comparison of TRMM and GPCC precipitation data with observational data in Iran: Earth and Space Physics, V42(3), 672-657 (In Persian)
Molod, A., Takacs, L., Suarez, M., Bacmeister, J., Song, I.S. and Eichmann, A. (2012). The GEOS-5 atmospheric general circulation model: Mean climate and development from MERRA to Fortuna (No. GSFC. TM. 01153.2012).
Morice, C.P., Kennedy, J.J., Rayner, N.A. and Jones, P.D. (2012). Quantifying uncertainties in global and regional temperature change using an ensemble of observational estimates: The HadCRUT4 data set: Journal of Geophysical Research: Atmospheres, V117(8), 1-22.
Pepin, N.C., Losleben, M., Hartman, M. and Chowanski, K. (2005). A comparison of SNOTEL and GHCN/CRU surface temperatures with free-air temperatures at high elevations in the western United States: Data compatibility and trends. Journal of climate, 18(12), pp.1967-1985.
Pomeon, T., Jackisch, D., Diekkrüger, B. (2017). Evaluating the performance of remotely sensed and reanalysed precipitation data over West Africa using HBV light: Journal of Hydrology, V547, 222-235.
Saha, I., Zubek, J., Klingström, T., Forsberg, S., Wikander, J., Kierczak, M., Maulik, U. and Plewczynski, D. (2014). Ensemble learning prediction of protein–protein interactions using
 
proteins functional annotations: Molecular BioSystems, 10(4),.820-830.
Saha, S., Moorthi, S., Pan, H.L., Wu, X., Wang, J., Nadiga, S., Tripp, P., Kistler, R., Woollen, J., Behringer, D. and Liu, H. (2010). The NCEP climate forecast system reanalysis: Bulletin of the American Meteorological Society, 91(8), 1015-1058.
Tarek, M., Brissette, F.P. and Arsenault, R. (2020). Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America: Hydrology and Earth System Sciences, 24(5), 2527-2544.
Tetzner, D., Thomas, E. and Allen, C. (2019). A validation of ERA5 reanalysis data in the Southern Antarctic Peninsula—Ellsworth land region, and its implications for ice core studies. Geosciences, 9(7), p.289.
Zhang, H., Immerzeel, W. W., Zhang, F., De Kok, R. J., Gorrie, S.J. and Ye, M. (2021). Creating 1-km long-term (1980–2014) daily average air temperatures over the Tibetan Plateau by integrating eight types of reanalysis and land data assimilation products downscaled with MODIS-estimated temperature lapse rates based on machine learning. International Journal of Applied Earth Observation and Geoinformation, V97, 102295.
مجله ژئوفیزیک ایران
دوره 17، شماره 4
آذر 1402
صفحه 1-24

فایل ها

هم رسانی

ارجاع به این مقاله

آمار