ΔΥΝΗΤΙΚΗ ΠΡΟΓΝΩΣΤΙΚΟΤΗΤΑ ΤΗΣ ΒΡΟΧΟΠΤΩΣΕΩΣ

Transcript

1 9 O COMECAP 008, ΠΡΑΚΙΚΑ ΣΥΝΕΔΡΙΟΥ, ΘΕΣΣΑΛΟΝΙΚΗ 9 O COMECAP 008, PROCEEDINGS, THESSALONIKI, GREECE ΔΥΝΗΙΚΗ ΠΡΟΓΝΩΣΙΚΟΗΑ ΗΣ ΒΡΟΧΟΠΩΣΕΩΣ ΣΟΝ ΕΛΛΗΝΙΚΟ ΧΩΡΟ Β. Δ. ΚΑΣΟΥΛΗΣ 1, Ι. Δ. ΠΝΕΥΜΑΙΚΟΣ 1 ΚΑΙ Α. Π. ΜΑΖΑΡΑΚΗΣ 1 Εργαστήριο Μετεωρολογίας, μήμα Φυσικής, Πανεπιστήμιο Ιωαννίνων Μετεωρολογικό Ινστιτούτο, Πανεπιστήμιο Freiburg, Γερμανία ΠΕΡΙΛΗΨΗ Στην εργασία αυτή, υπολογίστηκαν η ημερήσια και η μηνιαία δυνητική προγνωστικότητα της βροχόπτωσης με τη βοήθεια του μέτρου της φυσικής μεταβλητότητας, όπως αυτή περιγράφεται από δύο συνιστώσες (δηλαδή, από το τυπικό σφάλμα της χρονικής μέσης τιμής της βροχόπτωσης και από τις εξωγενείς συνθήκες). Με τη χρήση αλυσίδων Markov 1 ης τάξης, υπολογίσθηκε η φυσική μεταβλητότητα της ημερήσιας (7 σταθμοί) και της μηνιαίας βροχόπτωσης ( σταθμοί), για τις 4 εποχές του έτους, στον Ελλαδικό χώρο. α αποτελέσματα δείχνουν ότι, οι ενδοετήσιες μεταβολές εξαρτώνται κυρίως από την φυσική μεταβλητότητα της μηνιαίας βροχόπτωσης. Διαπιστώθηκαν κάποιες ενδείξεις πιθανής τηλεσύνδεσης (συμμεταβλητότητας) μεταξύ της δυνητικής προγνωστικότητας της μηνιαίας βροχόπτωσης και εξωγενών επιδράσεων, όπως π.χ. της Κύμανσης του Βόρειου Ατλαντικού (ΚΒΑ), της ENSO, της επίδρασης των αποκλίσεων των συνιστωσών του ισοζυγίου ακτινοβολίας και του φαινομένου του θερμοκηπίου. POTENTIAL PREDICTABILITY OF RAINFALL IN THE GREEK REGION V.D. KATSOULIS 1, J. D. PNEVMATIKOS 1, A. P. MATZARAKIS 1 Laboratory of Meteorology, Department of Physics, University of Ioannina, Greece Meteorological Institute, University of Freiburg, Germany ABSTRACT The statistics of rainfall of a region is always important. To this end, estimates of the potential predictability of daily and monthly rainfall were made, based on an idealized view of the interannual variability comprised by two components (e.g. standard error of average rainfall, changes in external conditions). The natural variability of daily (7 stations) and monthly ( stations) rainfall across Greece was estimated for each of the four seasons using a two-state 1 st order Markov chain process. Our results show that most interannual variations result from the natural variation of the monthly rainfall. There is an indication of a possible connection between potential predictability of monthly rainfall and external conditions, e.g. North Atlantic Oscillation (NAO), ENSO, radiative forcing and/or greenhouse effect. 1. ΕΙΣΑΓΩΓΗ Η δυνατότητα πρόγνωσης μακροχρόνιων αλλαγών του κλίματος εξαρτάται από την διαθεσιμότητα και αξιοπιστία των βασικών κλιματολογικών χρονοσειρών, από την επιτυχή επιλογή της μεθόδου ανάλυσης, την επιλογή του κατάλληλου μοντέλου και την επάρκεια του να περιγράψει τις φυσικές διεργασίες που παράγουν τα κλιματικά δεδομένα. έτοια μοντέλα βοηθούν στη μελέτη των πλημμυρών, των καταιγίδων, των ξηρασιών, τις υδρολογικές και γεωργικές μελέτες, καθώς και τον σχεδιασμό δημόσιων έργων (αεροδρόμια, οδικά και αρδευτικά έργα, τουρισμός, κ.λπ.). Όπως είναι γνωστό, λόγω των διακυμάνσεων της στατιστικής δειγματοληψίας, οι μέσες κλιματολογικές μεταβλητές υπόκεινται σε μια μεταβλητότητα. Αυτή η δειγματική μεταβλητότητα δεν είναι δυνατόν να προβλεφθεί με αξιοπιστία για μακρά 9

2 περίοδο προς το μέλλον και αναφέρεται συχνά ως φυσική μεταβλητότητα ή «κλιματικός θόρυβος». Σύμφωνα με τον Madden (198; 1997), ως φυσική μεταβλητότητα ορίζεται η μεταβλητότητα, η οποία προκύπτει από τη διασπορά και την αυτοσυσχέτιση που συνδέεται με τις ημερήσιες καιρικές διακυμάνσεις. Η μεταβλητότητα είναι παρούσα ακόμη και σ ένα αμετάβλητο κλίμα. ο μέτρο της διακύμανσης της εξαρτάται από την εμμονή των ημερήσιων καιρικών διακυμάνσεων. Η τετραγωνική ρίζα του τυπικού σφάλματος μιας χρονικά μέσης μεταβλητής, που προκύπτει από τις ημερήσιες διακυμάνσεις είναι προγνώσιμη σε μελλοντικούς χρόνους μικρότερους από τα όρια της δυνητικής προγνωστικότητας. Υπολογίζοντας την πραγματική ενδοετήσια μεταβλητότητα μιας κλιματολογικής χρονοσειράς και συγκρίνοντας αυτήν με την αναμενόμενη από τη φυσική μεταβολή (τον κλιματικό θόρυβο), μπορεί να υπολογισθεί το κλάσμα της ενδοετήσιας διασποράς που είναι δυνητικά προγνώσιμη (Madden, 1981). Υποτίθεται ότι, η υπόλοιπη διασπορά εμπεριέχει ένα κλιματικό σήμα. ο ποσοστό με το οποίο η παρατηρηθείσα ενδοετήσια μεταβλητότητα υπερβαίνει τον κλιματικό θόρυβο είναι ένα μέτρο της δυνητικής μακροπρόθεσμης προγνωστικότητας. ο κλιματικό σήμα υποτίθεται ότι προκαλείται από μεταβολές που οφείλονται στις εξωτερικές ατμοσφαιρικές δυνάμεις, όπως είναι η Κύμανση του Βορ. Ατλαντικού, η κύμανση του El Nino, η υπερθέρμανση του πλανήτη, καθώς και οι συσχετίσεις των μεταβλητών ετήσιας ή μακρότερης χρονικής υστέρησης κ.λπ. Μπορεί ακόμα να οφείλεται στη σχεδόν χαοτική φύση των κινήσεων της ατμόσφαιρας (Lorenz, 1968; 1984; 1990). Προϋποτίθεται επίσης, ότι το κλιματικό σήμα είναι δυνητικά προγνώσιμο με δυναμικά στατιστικά μέσα. Παρά ταύτα, δεν υπάρχει εγγύηση ότι το μετρηθέν σήμα μπορεί πράγματι να προβλεφθεί (Shea and Madden, 1990; Madden and Shea, 1999; Madden et. al., 1999). O Sukla (1981) ισχυρίζεται ότι, κατά το ποσοστό που η φυσική μεταβλητότητα συνδέεται με την εξέλιξη των μακρών κυμάτων της ατμόσφαιρας μπορεί δυνητικά να προγνωσθεί ως ένα πρόβλημα αρχικής τιμής, τουλάχιστον για ένα μήνα προς το μέλλον. υπικά, χρησιμοποιείται η στατιστική δοκιμασία F, για να συναχθεί ότι, ένα σήμα είναι υπαρκτό απορρίπτοντας τη μηδενική υπόθεση μη ύπαρξης σήματος. Μερικές από τις δυσκολίες που συνδέονται με μελέτες αυτού του τύπου είναι η έλλειψη ανεξαρτησίας στα δεδομένα, η αδυναμία να υπάρξει διάκριση μεταξύ του σήματος και του θορύβου και ο ορισμός του μεγέθους του δείγματος. Σ αυτήν τη μελέτη, γίνεται προσπάθεια να εκτιμηθεί η δυνητική προγνωστικότητα της μηνιαίας βροχόπτωσης στην Ελληνική επικράτεια, κατά τη διάρκεια των 4 κλιματολογικών εποχών σε 9 μετεωρολογικούς Σταθμούς. Για να εκτιμηθεί το μέτρο της φυσικής μεταβλητότητας, εφαρμόζεται ένα πιθανολογικό μοντέλο για την ακολουθία των ημερησίων βροχοπτώσεων. Η ημερήσια βροχόπτωση προτυποποιείται με μια στατιστική διαδικασία αλυσίδας Markov 1 ης τάξεως (Katz, 198; 1985; Shabbar, 199; 1993). Η εργασία αποτελεί συνέχεια προηγούμενων εργασιών μας, που αναφέρονται στις μεταβολές του καθεστώτος των βροχοπτώσεων στον Ελληνικό χώρο (Πνευματικός και Κατσούλης, 000; Pnevmatikos and Katsoulis, 00; Pnevmatikos and Katsoulis, 006; Hatzianastasiou et. al., 008).. Α ΧΡΗΣΙΜΟΠΟΙΗΘΕΝΑ ΔΕΔΟΜΕΝΑ Για να υπολογισθεί η φυσική και στατιστική μεταβλητότητα και στη συνέχεια, η δυνητική προγνωστικότητα χρησιμοποιήθηκαν ημερήσια, μηνιαία και ετήσια δεδομένα 0

3 βροχόπτωσης από Ελληνικούς Σταθμούς που λειτούργησαν για μια περίοδο 30 ετών, περίπου ( ). Οι βασικοί μετεωρολογικοί Σταθμοί (9 Σταθμοί) έδωσαν πλήρη κάλυψη της περιόδου μελέτης (Σχήμα 1). Μερικοί Σταθμοί όμως, είχαν ελλείψεις δεδομένων ειδικά στις πιο ορεινές περιοχές της χώρας. Επειδή η πυκνότητα του δικτύου των Σταθμών και ο αριθμός των ετών με χρησιμοποιήσιμα δεδομένα δεν περιορίζεται σε κάποιες μόνον περιοχές της επικράτειας, οι Σταθμοί με ελλείψεις παραλείπονται στην παρούσα ανάλυση ( Σταθμοί). 4 Φλώρινα Σέρρες ρίπολη km ανάγρα Ελευσίνα ατόι ΣΧΗΜΑ 1: Χάρτης με τις θέσεις των 9 βροχομετρικών Σταθμών της ΕΜΥ. Η επεξεργασία έγινε για τα δεδομένα των 7 σταθμών. Στους σταθμούς της Φλώρινας (580 ημέρες χωρίς δεδομένα) και των Σερρών (9 ημέρες χωρίς δεδομένα), που παραλείπονται από την επεξεργασία λείπουν δεδομένα πλέον του ενός έτους. 3. ΥΠΟΛΟΓΙΣΜΟΣ ΗΣ ΦΥΣΙΚΗΣ ΜΕΑΒΛΗΟΗΑΣ 3.1 Στατιστική Μεθοδολογία Προτυποποιήσαμε τη στατιστική διαδικασία της ημερήσιας βροχόπτωσης ως μια ακολουθία ζευγών τυχαίων μεταβλητών {(α t, β t ): t=1,, } όπου η α t αναπαριστά το γεγονός να συμβεί ή όχι βροχόπτωση την ημέρα t. Εάν συμβεί βροχόπτωση ( 0.1 mm) την ημέρα t, τότε α t =1 και η ημέρα ορίζεται ως υγρή, αλλοιώς α t =0 και η ημέρα ορίζεται ως ξηρή. Συμβολίσαμε τον ολικό αριθμό των υγρών ημερών, σε μια χρονοσειρά n-ημερών, με N. ότε: n N= αt (1) i=1 Υποθέσαμε ότι, η ημερήσια βροχόπτωση μπορεί να προτυποποιηθεί με μια στατιστική διαδικασία αλυσίδας Markov πρώτης τάξεως δυο συνιστωσών (Katz, 198; 1985). Αυτή η αλυσίδα του Markov περιγράφεται από το μοντέλο {α t : t=1,, }, με τις παρακάτω παραμέτρους p=pr[α t =1] (α) P i,j = Pr [α t+1 = j/α t = i] i, j=0,1 (β) όπου, p είναι η χωρίς περιορισμούς πιθανότητα εμφάνισης μιας υγρής ημέρας και P i, j είναι μια, υπό συνθήκες, μεταβατική πιθανότητα. Για παράδειγμα, η P i, j περιγράφει την υπό συνθήκας πιθανότητα για εμφάνιση μιας υγρής ημέρας, δοθέντος ότι η προηγούμενη ημέρα ήταν υγρή. Η ποσότητα της βροχόπτωσης αντιπροσωπεύεται από μια α συνιστώσα {β t : t=1,, }. 1

4 Δοθέντος ενός δείγματος από n διαδοχικές ημέρες ατμοσφαιρικών συνθηκών βροχόπτωσης {(α t β t ): t=1,, }, εκτιμώνται οι παράμετροι του πιθανολογικού μοντέλου. Οι παράμετροι p, P 1,1, P 0,1 εκτιμώνται με τη χρήση των παρακάτω σχετικών συχνοτήτων (βλέπε π.χ. Billingsley, 1961): N n11 n01 p=, P 1,1 =, P 0,1 = (3) n n 10 +n11 n 00 +n01 Η στατιστική n i,j καλείται μεταβατική αρίθμηση και υποδηλώνει τον αριθμό των περιπτώσεων που το α t =i και το α t+1 =j, για t=1,,, n-1, i=0,1, j=0,1. 3. Υπολογισμός του Κλιματικού Θορύβου Ο κλιματικός θόρυβος της μηνιαίας βροχόπτωσης εκτιμάται από την ημερήσια βροχόπτωση, που μπορεί να προτυποποιηθεί από μια -διαστάσεων 1 ης τάξεως διαδικασία Markov. Ο Katz (198; 1985) έδειξε ότι, η διασπορά ( σ ) της βροχόπτωσης ενός χρονικού διαστήματος () μιας τέτοιας στατιστικής διαδικασίας, δίδεται από τη σχέση: σ = V (4) όπου, * 1+d * V = p(σ ) +p(1-p) ( μ ) 1-d (5) (σ * ) και(μ * ), είναι η διασπορά και η μέση ποσότητα της βροχόπτωσης στο τετράγωνο, χρησιμοποιώντας μόνο υγρές ημέρες. Αυτές περιγράφουν τις παραμέτρους της κατανομής β t, ενώ το d= P 1,1 -P 0,1 είναι μια 1 ης τάξεως αυτοσυσχέτιση ή η παράμετρος εμμονής για την αλυσίδα Markov {α t : t=1,, }. Εάν η β t ισούται με μηδέν, τότε οι α t είναι ανεξάρτητες τυχαίες μεταβλητές, αλλοιώς είναι εξαρτημένες. Σ αυτήν τη μελέτη, μια υγρή ημέρα ορίσθηκε ως η ημέρα με περισσότερο του 0.1 mm ύψος βροχής. Υποτίθεται ότι, η κατανομή των β t είναι ανεξάρτητη του χρόνου των α t (Bordi et. al., 004) Υπολογισμός του Κλιματικού Σήματος Για να ελεγχθούν οι τάσεις των δεδομένων της βροχόπτωσης χρησιμοποιείται η στατιστική προσέγγιση της ανάλυσης της διασποράς. Η διασπορά του δείγματος για κάθε μήνα, προσδιορίζεται από την παρακάτω σχέση: N 1 σ A = x(i)-x (6) N-1 i=1 όπου, η μέση μηνιαία τιμή των ημερησίων βροχοπτώσεων x, για ένα δεδομένο έτος (i), δίδεται από τη σχέση: b 1 x(i)= x(i, j) (7) b-α+1 j=α Για παράδειγμα, τους μήνες Ιανουάριο, Απρίλιο, Ιούλιο και Οκτώβριο, τα α έχουν τιμές 1, 91, 18 και 74, αντιστοίχως και τα b είναι ίσα με 31, 10, 1, και 304, αντιστοίχως. Η τελική μέση τιμή για τον αντίστοιχο μήνα, υπολογίζεται απλά, για ολόκληρη την περίοδο, από τη σχέση: N 1 x= x(i) N (8) i=1

5 3.4. Εκτίμηση της Δυνητικής Προγνωστικότητας Η φυσική μεταβλητότητα της βροχόπτωσης, ορίζεται ως η μη προβλέψιμη μεταβλητότητα των μηναίων μέσων υψών βροχής, η οποία προκύπτει από τις στατιστικές μεταβολές των διαφορετικών δειγμάτων. Συγκρίνοντας αυτήν τη φυσική μεταβλητότητα με την πραγματική ενδοετήσια μεταβλητότητα των μηνιαίων μέσων τιμών, είναι δυνατόν να ληφθεί ένα μέτρο της πιθανοφάνειας της δυνητικής προγνωστικότητας. Παράγοντες όπως, η αλλαγή του καθεστώτος του κλίματος λόγω της σχεδόν τυχαίας ενδομετακινούμενης φύσης της ατμόσφαιρας (Lorenz, 1990), η συσχέτιση για χρονικές υστερήσεις ενός έτους ή περισσότερο, ή οι μεταβολές στις εξωτερικές συνθήκες είναι δυνατόν επίσης, να συνεισφέρουν στην ενδοετήσια μεταβλητότητα και άρα, να οδηγήσουν στη δυνητική προγνωστικότητα. Συνεπώς, το κλάσμα της διασποράς του δείγματος ( σ A ), προς την εκτιμώμενη διασπορά που οφείλεται στη φυσική μεταβλητότητα ( σ ), μπορεί να υπολογισθεί. Αυτό το κλάσμα, ( F=σΑ σ ) ορίζεται ως μια εκτιμήτρια της δυνητικής προγνωστικότητας και ακολουθεί την κατανομή F (Madden, 198). Η δυνητική προγνωστικότητα του ύψους της μηνιαίας βροχόπτωσης αναμένεται να είναι καλύτερη εκεί όπου το παραπάνω κλάσμα λαμβάνει τη μεγαλύτερη τιμή του. Για παράδειγμα, τα κλάσματα με τιμές F=1.5 και F=.0, υποδηλώνουν ότι είναι πιθανόν να προβλεφθεί το 33% και 50% της διασποράς των μηνιαίων μέσων υψών βροχής, αντιστοίχως. 4. ΑΠΟΕΛΕΣΜΑΑ 4.1 Εκτιμήσεις της Μακροπρόθεσμης Προγνωστικότητας Η εφαρμογή της παραπάνω μεθοδολογίας, οδηγεί στις εκτιμήσεις της δυνητικής μακροπρόθεσμης προγνωστικότητας F, για κάθε μια από τις 4 εποχές του έτους. Με βάση τα δεδομένα των Σταθμών που αναλύθηκαν, συμπεραίνεται ότι, μεγαλύτερη δυνητική προγνωστικότητα της μηνιαίας βροχόπτωσης επιτυγχάνεται κατά το χειμώνα παρά κατά το θέρος, ενώ έπονται οι μεταβατικές εποχές του φθινοπώρου και της άνοιξης με ενδιάμεσες τιμές του F. Αν και η προγνωστικότητα φαίνεται να είναι υψηλότερη στη Βορειοδυτική Ελλάδα, μεγάλη δυνητική προγνωστικότητα παρατηρείται επίσης, υπεράνω της νότιας και νοτιοανατολικής νησιώτικης Ελλάδας. Η μεγαλύτερη μακροπρόθεσμη προγνωστικότητα παρατηρείται κατά το χειμώνα και η μικρότερη κατά το θέρος, ενώ ενδιάμεσες τιμές λαμβάνονται κατά την άνοιξη και το φθινόπωρο. α Σχήματα (α-δ) δείχνουν επίσης, την κατανομή του κλάσματος (F) για κάθε μια εποχή του έτους, στον Ελληνικό χώρο. Η λεπτομερής μελέτη των τιμών των ισοπληθών των σχημάτων αυτών οδηγεί στα ίδια συμπεράσματα: (α) κατά το χειμώνα, η εκτιμήτρια F της δυνητικής προγνωστικότητας, είναι μεγαλύτερη στη νότια και νοτιανατολική νησιωτική Ελλάδα, (β) κατά την άνοιξη, στη Β. Ελλάδα, (γ) κατά το θέρος, στη βορειοδυτική Ελλάδα και (δ) κατά το φθινόπωρο, στη νότια και Κεντρική Ελλάδα. 4. υπική Απόκλιση του Θορύβου Η τετραγωνική ρίζα του κλιματολογικού θορύβου, είναι το τυπικό σφάλμα της τιμής εκτίμησης για τους μηνιαίους μέσους της βροχόπτωσης. Είναι το σφάλμα που πρέπει να αναμένεται από τις διακυμάνσεις του στατιστικού δείγματος και προκύπτει από την ημερήσια μεταβλητότητα των δεδομένων. Οι τυπικές αποκλίσεις της 3

6 εκτιμώμενης φυσικής μεταβλητότητας στην Ελληνική Επικράτεια είναι σχετικά, συμβατές με εκείνες της δυνητικής προγνωστικότητας. 4 4 ανάγρα ατόι Ελευσίνα ρίπολη 1 ρίπολη ανάγρα ατόι Ελευσίνα ρίπολη ανάγρα ατόι Ελευσίνα ρίπολη ΦΘΙΝΟΠΩΡΟ ΘΕΡΟΣ (β) 3 4 (α) 4 ΑΝΟΙΞΗ ανάγρα ατόι Ελευσίνα ΧΕΙΜΩΝΑΣ (δ) (γ) ΣΧΗΜΑ. (α-δ): Ισοπληθείς του κλάσματος ( F = σ Α σ ) της πραγματικής διασποράς του ολικού ύψους βροχής ( σ A ), προς τη διασπορά που συνδέεται με την εκτιμώμενη φυσική μεταβλητότητα ( σ ), κατά το χειμώνα (α), την άνοιξη (β), το θέρος (γ) και το φθινόπωρο (δ). 4.3 Η ευαισθησία των Εκτιμήσεων του Κλιματικού Θορύβου Για να εκτιμηθεί η ευαισθησία των υπολογισμών του κλιματικού θορύβου, πραγματοποιήθηκε ένας αριθμός δοκιμών στα βροχομετρικά δεδομένα, σε όλες τις εποχές. (i) Η Διάρκεια της Εποχής Αλλάζοντας τη διάρκεια της εποχής από 96 σε 48 ημέρες βρέθηκε ότι, οι εκτιμήσεις της φυσικής μεταβλητότητας ( σ ) και του κλάσματος ( F = σ Α σ ) έμειναν σχεδόν ανεπηρέαστες. Για όλους τους Σταθμούς μελέτης, η φυσική μεταβλητότητα αυξήθηκε κατά % για εποχική διάρκεια 48 ημερών. Οι αυξήσεις της φυσικής μεταβλητότητας ήσαν μεγαλύτερες στους δυτικούς, βορειοδυτικούς και νησιώτικους παράκτιους Σταθμούς. (ii) α Κριτήρια Υγρής/Ξηρής ημέρας Οι τιμές των κλασμάτων F, που δείχνονται στο Σχήματα (α-δ) υπολογίσθηκαν με βάση τα τεθέντα κριτήρια υγρής/ξηρής ημέρας, που προσδιορίζονται από την τιμή 4

7 ύψους βροχής 0.1 mm. Οι τιμές του F προέκυψαν σχετικά, ανεπηρέαστες από τις μεταβολές αυτών των κριτηρίων. Όταν η κρίσιμη τιμή για τον χαρακτηρισμό της ημέρας ως υγρής τέθηκε ίση με 1.0 και.5 mm, παρατηρήθηκε πολύ μικρή εμφανής αλλαγή των τιμών του F. Η φυσική μεταβλητότητα ( σ ) αυξήθηκε κατά 4%, όταν τα τεθέντα κριτήρια υγρής/ξηρής ημέρας ήταν η τιμή των.5 mm σ όλες τις εποχές. 4.4 Οι Πιθανοί Παράγοντες που Επηρεάζουν τη Δυνητική Προγνωστικότητα Από την εξέταση των τιμών της εκτιμήτριας (κλάσματος) F της δυνητικής προγνωστικότητας κατά περιοχή και έτος, διαφαίνεται ότι κάποια έτη συνεισέφεραν τα μέγιστα στην προγνωστικότητα. Πράγματι, αν επιλεκτικά παραληφθεί η μεγαλύτερη τιμή του F που έδωσαν οι Σταθμοί σε κάποιο έτος της 30-χρονης χρονοσειράς, π.χ. μια μεγαλύτερη τιμή του 1.5, τότε η επανεκτιμώμενη τιμή του κλάσματος (F), αν είναι σημαντική σημαίνει ότι αυτό το έτος συμβάλλει πολύ στη δυνητική προγνωστικότητα. Η διαδικασία επαναλαμβάνεται μέχρις ότου η τιμή του F πέσει κάτω από το 1.5. Για τους περισσότερους Σταθμούς, η απάλειψη της τιμής ενός έτους μόνον ήταν επαρκής για το κλάσμα F να πέσει κάτω από την κρίσιμη τιμή, ειδικά κατά το χειμώνα και το φθινόπωρο. Δεδομένου ότι, η δυνητική προγνωστικότητα είναι υψηλότερη κατά το χειμώνα, εστιάσθηκε σ αυτήν την εποχή η περαιτέρω έρευνα των παραγόντων που μπορεί να συνεισφέρουν στην προγνωστικότητα. Φαίνεται ότι, τα έτη που συνέβαλαν στη χειμερινή προγνωστικότητα είναι τα έτη κατά τα οποία συμβαίνει το φαινόμενο ENSO. Μια σειρά από προηγούμενες δημοσιεύσεις (Robelewski and Halbert, 1987; 1989), εξέτασαν και θεμελίωσαν μεγάλης κλίμακας βροχοπτώσεις που συνδέθηκαν με το ENSO. Άλλες μελέτες, έδειξαν ότι η μεγαλύτερη προγνωστικότητα της βροχόπτωσης στον Ελληνικό χώρο συνδέεται με την Κύμανση του Β. Ατλαντικού (ΚΒΑ), καθώς και με το μέτωπο και την κυκλωνικότητα της Μεσογείου (Namias and Cayan, 1984; Eshel and Farrell, 000; Bolle, 003). Συνεπάγεται λοιπόν, ότι οι συνθήκες μέγιστης βροχόπτωσης, μεγαλύτερης του επιπέδου των δεδομένων του θορύβου, συνεισφέρουν στη δυνητική της προγνωστικότητα. Επίσης, τα έτη κατά τα οποία συνέβησαν τα μέγιστα της βροχόπτωσης είναι σχεδόν τα ίδια έτη, που στην παρούσα ανάλυση, συνεισέφεραν τα μέγιστα στην δυνητική προγνωστικότητα. 5. ΣΥΜΠΕΡΑΣΜΑΑ - ΣΧΟΛΙΑ Με βάση τα βροχομετρικά δεδομένα των Σταθμών που αναλύθηκαν στην παρούσα εργασία, με τη χρήση ενός πιθανολογικού μοντέλου συμπεραίνονται τα εξής: Υπάρχει μεγαλύτερο ποσοστό δυνητικής προγνωστικότητας της μηνιαίας και εποχικής βροχόπτωσης κατά τη χειμερινή εποχή παρά κατά το θέρος. Οι μέγιστες τιμές της εκτιμήτριας της δυνητικής προγνωστικότητας παρατηρούνται στις νοτιοανατολικές, τις νότιες νησιωτικές και στις δυτικές παράκτιες περιοχές, κατά το χειμώνα. Η γεωγραφική κατανομή της τυπικής απόκλισης του «κλιματικού θορύβου» (σ ), που αποτελεί συνιστώσα του μέτρου της φυσικής μεταβλητότητας, εμφανίζεται συμβατή με τη γεωγραφική κατανομή της δυνητικής προγνωστικότητας κατά εποχή. Από την παρατηρηθείσα αρκετά υψηλή δυνητική προγνωστικότητα τον χειμώνα, συνάγεται ότι, είναι δυνατή η αξιόπιστη πρόγνωση της μηνιαίας βροχόπτωσης κατά τη συγκεκριμένη αυτή εποχή. Αυτό φυσικά θα καταστεί πιο εφικτό στο μέλλον, όταν 5

8 αυξηθεί η ακρίβεια και η διάρκεια των προγνώσεων του καιρού με τα αριθμητικά μοντέλα, πέραν της εβδομάδος. ΒΙΒΛΙΟΓΡΑΦΙΑ Πνευματικός ΙΔ και Κατσούλης ΒΔ, 000: Οι μεταβολές στη δίαιτα των βροχών της Ελλάδας και η επίπτωση τους στις κλιματολογικές «κανονικές» τιμές. Πρακτικά 5 ου Πανελληνίου Συνεδρίου Μετεωρολογίας-Κλιματολογίας-Φυσικής της Ατμόσφαιρας, σελ Bolle HJ, 003: Mediterranean Climate: Variability and Trends, Springer Verlang: Berlin. Billingsley P, 1961: Statistical methods in Markov chains. Ann. Math. Stat., 3, 1-. Bordi IK, Fraedrich FW, Gerstengarbe PC, Werner W and Utera A, 004: Potential predictability of dry and wet periods: Sicily and Elbe-Bbasin (Germany). Theoretical Applied Climatology, 77, Eshel G, and Farrell BF, 000: Mechanisms of Eastern Mediterranean Rainfall Variability. Journal of Atmospheric Sciences, 57, Hatzianastassiou N, Katsoulis B, Pnevmatikos J, and Antakis V, 008: Spatial and Temporal Variation of Precipitation in Greece and Surrounding Regions Based on Global Precipitation Climatology Project Data. To be published in Journal of Climate. Katz RW, 198: Statistical procedures for making inferences about precipitation changes simulated by an atmospheric general circulation model. Journal of Atmospheric Sciences,, Katz RW, 1985: Probabilistic models. In Murphy, A.H. and Katz, R.W. (eds), Probability, Statistics and Decision Making in Atmospheric Sciences, Westview Press, Boulder. Lorenz EN, 1968: Climatic determinism. Meteorological Monograms, 8, 1-3. Lorenz ΕΝ, 1984: Irregularity; a fundamental property of the atmosphere. Tellus, A, Lorenz EN, 1990: Can chaos and intransitivity lead to interannual variability? Tellus, A4, 8 9. Madden RA, 1981: A quantitative approach to long-range prediction. Journal of Geophysical Research, 86, Madden RA, 198: Potential long-range predictability of Precipitation over North America. Proceedings of the Seventh Annual Climate Diagnostic Workshop, NCAR, Boulder, Colorado, Madden RA, and Kidson JW, 1997: The potential long-range predictability of temperature over New Zealand. International Journal of Climatology 17, Madden RA, and Shea DJ, 1999: The potential for long-range predictability of temperature and precipitation over Japan. Journal of the Meteorological Society of Japan, 77, Madden RA, Shea DJ, Katz RW, and Kidson JW, 1999: The potential long-range predictability of precipitation over New Zealand. International Journal of Climatology, 19, 5-. Namias J, and Cayan DR, 1984: El Nino: Implications for forecasting. Oceanus, 7, No., -47. Pnevmatikos JD, and Katsoulis BD, 00: The changing rainfall regime in Greece and its impact on climatological means. Second ICTP Conference on Detection and Modelling of Regional Climate Change, Trieste, Italy. Pnevmatikos JD, and Katsoulis BD, 006: The changing rainfall regime in Greece and it s impact on climatological means. Meteorological Applications Journal, V. 13, Issue 4, Ropelewski CF, and Halpert MS, 1987: Global and regional scale precipitation patterns associated with El Nino/Southern Oscillation. Monthly Weather Review, 115, Ropelewski CF, and Halpert MS, 1989: Precipitation patterns associated with the high index phase of the Southern Oscillation. J. of Clim.,, Shabbar A, 199: An examination of potential predictability of precipitation in Canada. 5th International meeting on Statistical Climatology, American Meteorological Society, Toronto, Canada, 3-. Shabbar A, 1993: Potential predictability of precipitation in Canada. Report No 93-8, Atmospheric Environment Center, Canadian Climate Center, 6 pp. Shea DJ, and Madden RA, 1990: Potential for long-range prediction of monthly mean surface temperature over N. America. Journal of Climatology, 3, Shea DJ, Sontake NA, Madden RA, and Katz RW, 1995: The potential for long-range prediction of precipitation over India for the southwest monsoon season: an analysis of variance approach. In Proceedings of the 6th International Meeting on Statistical Climatology American Meteorological Society, Sukla J, 1981: Dynamical predictability of monthly means. Journal of Atmospheric Sciences,,