تعداد نشریات | 50 |
تعداد شمارهها | 2,232 |
تعداد مقالات | 20,476 |
تعداد مشاهده مقاله | 25,354,930 |
تعداد دریافت فایل اصل مقاله | 23,009,091 |
ارزیابی عدم قطعیت ناشی از دادههای بارش میانمدت سامانه جهانی TIGGE جهت پیشبینی سیلاب | ||
حفاظت منابع آب و خاک (علمی - پژوهشی) | ||
دوره 13، شماره 1 - شماره پیاپی 49، اردیبهشت 1402، صفحه 93-110 اصل مقاله (5.01 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.30495/wsrcj.2023.71323.11345 | ||
نویسندگان | ||
سودابه بهیان مطلق1؛ افشین هنربخش 2؛ اصغر عزیزیان 3 | ||
1دانشجوی دکتری آبخیزداری، گروه مهندسی طبیعت، دانشکده منابعطبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد. | ||
2دانشیار، گروه مهندسی طبیعت، دانشکده منابعطبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد. | ||
3دانشیار، گروه علوم و مهندسی آب، دانشگاه بینالمللی امام خمینی (ره)، قزوین. | ||
چکیده | ||
زمینه و هدف: وقوع سیلابهای مکرر در ایران، لزوم یک سامانه پیشبینی و هشدار سیل با زمان پیش هشدار مناسب را ضروری مینماید. استفاده از مدلهای عددی پیشبینی بارش در پیشبینی و هشدار سیل از جمله اقدامات مهمی است که توسط محققان در اکثر نقاط جهان به کاربر برده میشود. پایگاه داده TIGGE دربرگیرنده پیشبینیهای میانمدت بارش شبیهسازیشده توسط مراکز پیشبینی جهانی است. هدف از پژوهش حاضر، ارزیابی کارایی و میزان عدم قطعیت ناشی از پیشبینیهای بارش چهار مدل عددی پایگاه داده TIGGE (شامل CPTEC، ECCC، ECMWF و KMA) برای شبیهسازی سیلاب با مدل هیدرولوژیکی HEC-HMS است. روش پژوهش: در این تحقیق جهت ارزیابی عدم قطعیت دبی حاصل از مدلهای پیشبینی بارش پایگاه داده TIGGE در حوضه آبخیز پلدختر، از آمار بارش هفت ایستگاه هواشناسی استفاده شد. همچنین سه رویداد سیل 24 اسفند 1397، 6 فروردین 1398 و 15 فروردین 1398 موردمطالعه قرار گرفت. در ابتدا پیشبینیهای بارش از چهار مرکز CPTEC، ECCC، ECMWF و KMA استخراج گردید. به دلیل وجود خطای سیستماتیک در دادههای مورد نظر، تصحیح اریبی روی آنها صورت گرفت و بهمنظور تصحیح اریبی، از روش Delta استفاده شد. پیشبینیهای پردازششده و خام چهار مدل پیشبینی بارش، جهت پیشبینی سیلاب وارد مدل HEC-HMS شده و در مرحله بعد، ارزیابی عدم قطعیت جریان حاصل از مدل HEC-HMS در تمام اعضای چهار مدل پیشبینی بارش انجام شد. در تحقیق حاضر برای تحلیل عدم قطعیت از 5 فاکتور P، R، S، T و RD استفاده گردید. در نهایت احتمال هشدار سیل پیشبینی شد. یافتهها: نتایج حاصله حاکی از برتری قابلتوجه مدل ECMWF در پیشبینی رویدادهای بارش است. استفاده از هر 4 منبع بارشی، منجر به شبیهسازی قابلقبول دبی اوج سیلاب در سه رخداد مختلف شد. همچنین زمان وقوع دبی اوج پیشبینیشده اختلاف کمی با داده مشاهدهای داشت. با توجه به نتایج تحلیل عدم قطعیت، مدل ECMWF بر اساس فاکتورهای P، R، S، T و RD بهعنوان بهترین مدل در نظر گرفته شد. مدل KMA در سیلابهای شدید و بسیار شدید عملکرد مناسبی داشت. سیستم پیشبینی گروهی مدلهای TIGGE نیز در همه وقایع، عملکرد قابل قبولی داشت. همچنین مدل پیشبینی هواشناسی- هیدرولوژیکی زمان وقوع سیل و احتمال وقوع را بهخوبی پیشبینی نمود. نتایج: تحقیق مورد نظر، پیشبینی و هشدار سیل در حوزه آبخیز پلدختر را با استفاده از سیستم هواشناسی-هیدرولوژیکی، بر پایه پیشبینیهای هواشناسی پایگاه داده TIGGE و شبیهسازی سیل با استفاده از مدل هیدرولوژیکی HEC-HMS مورد بررسی قرار میدهد. محصول نهایی این سیستم، دبی احتمالی و پیشبینی سیل است. نتایج حاصله نشاندهنده موفقیت پایگاه داده TIGGE در پیشبینی سیل است. مدل ECMWF در پیشبینی دبی اوج برتری داشت. از روش محاسبه باند بالا و پایین جهت تعیین عدم قطعیت استفاده شد که عدم قطعیت را بهخوبی نشان داد. این سیستم زمان دبی اوج را بهخوبی و با تأخیر زمانی اندک نمایش داد که بیانگر عملکرد خوب آن است. بارش پیشبینیشده حاصل از چهار مرکز مورداستفاده در این مطالعه (ECMWF ,ECCC , CPTEC , KMA) تفاوتهای قابلتوجهی دارند، برای کاهش این تفاوتها از سیستم پیشبینی گروهی چند مدلی استفاده نمودیم که نتایج دلگرمکنندهای داشت. | ||
کلیدواژهها | ||
مدلهای عددی پیشبینی بارش؛ سیستم پیشبینی گروهی؛ تصحیح اریبی؛ سامانه پیشبینی و هشدار سیل | ||
مراجع | ||
Alfieri, L., Burek, P., Dutra, E., Krzeminski, B., Muraro, D., Thielen, J., & Pappenberger, F. (2013). GloFAS–global ensemble streamflow forecasting and flood early warning. Hydrology and Earth System Sciences, 17(3), 1161–1175. Aminyavari, S., Saghafian, B., & Sharifi, E. (2019). Assessment of precipitation estimation from the NWP models and satellite products for the spring 2019 severe floods in Iran. Remote Sensing, 11(23). https://doi.org/10.3390/rs11232741 Ayzel, G., Varentsova, N., Erina, O., Sokolov, D., Kurochkina, L., & Moreydo, V. (2019). OpenForecast: The First Open-Source Operational Runoff Forecasting System in Russia. Water (Switzerland), 11(8). https://doi.org/10.3390/w11081546 Bao, H. J., Zhao, L. N., He, Y., Li, Z. J., Wetterhall, F., Cloke, H. L., … Manful, D. (2011). Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast. Advances in Geosciences, 29(51509043), 61–67. https://doi.org/10.5194/adgeo-29-61-2011 Bartholmes, J., & Todini, E. (2005). Coupling meteorological and hydrological models for flood forecasting. Hydrology and Earth System Sciences Discussions, 9(4), 333–346. Bauer, P., Thorpe, A., & Brunet, G. (2015). The quiet revolution of numerical weather prediction. Nature, 525(7567), 47–55. Beyer, R., Krapp, M., & Manica, A. (2020). An empirical evaluation of bias correction methods for palaeoclimate simulations. Climate of the Past, 16(4), 1493-1508. Cai, C., Wang, J., & Li, Z. (2019). Assessment and modelling of uncertainty in precipitation forecasts from TIGGE using fuzzy probability and Bayesian theory. Journal of Hydrology, 577. https://doi.org/10.1016/j.jhydrol.2019.123995 Cloke, H. L., & Pappenberger, F. (2009). Ensemble flood forecasting: A review. Journal of Hydrology, 375(3–4), 613–626. https://doi.org/10.1016/j.jhydrol.2009.06.005 Collischonn, W., Morelli Tucci, C. E., Clarke, R. T., Chou, S. C., Guilhon, L. G., Cataldi, M., & Allasia, D. (2007). Medium-range reservoir inflow predictions based on quantitative precipitation forecasts. Journal of Hydrology, 344(1–2), 112–122. https://doi.org/10.1016/j.jhydrol.2007.06.025 He, Y., Wetterhall, F., Cloke, H. L., Pappenberger, F., Wilson, M., & Freer, J. (2009). Tracking the uncertainty in flood alerts driven by grand. Meteorological Applications, 101(February), 91–101. https://doi.org/10.1002/met Hopson, T. M., & Webster, P. J. (2010). A 1–10-day ensemble forecasting scheme for the major river basins of Bangladesh: Forecasting severe floods of 2003–07. Journal of Hydrometeorology, 11(3), 618–641. Krishnamurti, T. N., Sagadevan, A. D., Chakraborty, A., Mishra, A. K., & Simon, A. (2009). Improving multimodel weather forecast of monsoon rain over China using FSU superensemble. Advances in Atmospheric Sciences, 26(5), 813–839. Louvet, S., Sultan, B., Janicot, S., Kamsu-Tamo, P. H., & Ndiaye, O. (2016). Evaluation of TIGGE precipitation forecasts over West Africa at intraseasonal timescale. Climate Dynamics, 47(1), 31–47. Maraun, D., & Widmann, M. (2018). Statistical downscaling and bias correction for climate research. Cambridge University Press. Mendez, M., Maathuis, B., Hein-Griggs, D., & Alvarado-Gamboa, L. F. (2020). Performance evaluation of bias correction methods for climate change monthly precipitation projections over Costa Rica. Water (Switzerland), 12(2). https://doi.org/10.3390/w12020482 Räty, O., Räisänen, J., & Ylhäisi, J. S. (2014). Evaluation of delta change and bias correction methods for future daily precipitation: intermodel cross-validation using ENSEMBLES simulations. Climate Dynamics, 42(9), 2287–2303. Roulin, E. (2007). Skill and relative economic value of medium-range hydrological ensemble predictions. Hydrology and Earth System Sciences, 11(2), 725–737. https://doi.org/10.5194/hess-11-725-2007 Roulin, E., & Vannitsem, S. (2005). Skill of medium-range hydrological ensemble predictions. Journal of Hydrometeorology, 6(5), 729–744. Rousset, F., Habets, F., Martin, E., & Noilhan, J. (2007). Ensemble streamflow forecasts over France, ECMWF Newsletter, 111, 21–27. Saedi, A., Saghafian, B., & Moazami, S. (2020). Uncertainty of Flood Forecasts via Ensemble Precipitation Forecasts of Seven NWP Models for Spring 2019 Golestan Flood. Iran-Water Resources Research, 16(1). [in Persian] Thiemig, V., Bisselink, B., Pappenberger, F., & Thielen, J. (2015). A pan-African medium-range ensemble flood forecast system. Hydrology and Earth System Sciences, 19(8), 3365–3385. Thirel, G., Rousset-Regimbeau, F., Martin, E., & Habets, F. (2008). On the impact of short-range meteorological forecasts for ensemble streamflow predictions. Journal of Hydrometeorology, 9(6), 1301–1317. https://doi.org/10.1175/2008JHM959.1 Xiong, L., Wan, M., Wei, X., & O’Conno, K. M. (2009). Indices for assessing the prediction bounds of hydrological models and application by generalized likelihood uncertainty estimation. Hydrological Sciences Journal, 54(5), 852–871. https://doi.org/10.1623/hysj.54.5.852 Ye, J., Shao, Y., & Li, Z. (2016). Flood Forecasting Based on TIGGE Precipitation Ensemble Forecast. Advances in Meteorology, 2016. https://doi.org/10.1155/2016/9129734 | ||
آمار تعداد مشاهده مقاله: 208 تعداد دریافت فایل اصل مقاله: 75 |