تحلیل عدم‌قطعیت پیش‌بینی سیل با پیش‌بینی گروهی بارش هفت مدل عددی برای سیل گلستان در بهار 1398

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی عمران/ دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

2 استاد/ دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

3 استادیار/ گروه مهندسی عمران و رییس مرکز تحقیقات علوم زیست محیطی، واحد اسلامشهر دانشگاه آزاد اسلامی

چکیده

امروزه پیشرفت‌های زیادی در زمینه بهبود پیش‌بینی‌های هواشناسی صورت گرفته است، در همین راستا سیستم پیش‌بینی گروهی برای کاهش عدم‌قطعیت‌های پیش‌بینی ایجاد شده است. در این تحقیق، عملکرد هفت مدل عددی پیش‌بینی گروهی بارش در پیش‌بینی سیل ابتدای سال 1398 در زیرحوضه سالیان از حوضۀ آبریز گرگانرود، بررسی شد. در ابتدا، پیش‌بینی‌های گروهی بارش با روش نگاشت چندک گاما تصحیح اریبی شدند. سپس پیش‌بینی‌های گروهی جریان با پیش‌بینی بارش هفت مدل به کمک مدل بارش‌-رواناب مفهومی GR4J بدست آمد. هم‌چنین جهت محاسبه پارامترهای بهینه برای واسنجی مدلGR4J، چهار روش بهینه‌سازی استفاده شد و براساس پارامترهای بهینه بدست آمده، پیش‌بینی‌های گروهی جریان با پیش‌بینی‌های بارش انجام شد و در انتها عدم‌قطعیت مدل‌های عددی براساس ورودی‌ به مدل هیدرولوژیکی بررسی گردید. نتایج تحقیق نشان داد که تصحیح اریبی تاثیر زیادی در بهبود پیش‌بینی سیل در حوضه سالیان دارد و باندهای عدم‌قطعیت مدل‌هایECMWF، NCMRWF و UKMOمقادیر سیل مشاهداتی را بخوبی پوشش دادند، بطوریکه مقدار P-factor و R-factor مدلECMWF بترتیب برابر با 0.5 و 0.96 بود اگرچه باندهای بالا و پایین این مدل تقارن خوبی نداشتند. مدل‌‌های NCEP و CMA نسبت به سایر مدل‌ها، مهارت کمتری در پیش‌بینی سیل داشتتند و مقدار P-factor آنها بترتیب برابر با 0.2 و 0.15 بود. مدل JMA، سیل گرگان را خیلی دست بالا برآورد نمود. مدل ECCC با اینکه 65 درصد مقادیر سیل مشاهداتی را پوشش داده بود ولی فاصله بین باندهای بالا و پایین آن زیاد بود. در مجموع نتایج برخی مدل‌ها برای این حوضه رضایت‌بخش بود و استفادۀ از آن‌ها برای سیستم هشدار سیل توصیه می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Uncertainty of Flood Forecasts via ensemble precipitation forecasts of seven NWP Models for Spring 2019 Golestan Flood

نویسندگان [English]

  • Adeleh Saedi 1
  • Bahram Saghafian 2
  • Saber Moazami 3
1 Department Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Department of Civil Engineering, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran
3 Department of Civil Engineering, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran
چکیده [English]

Nowadays, much effort has been made in improving meteorological forecasts. In this regard, ensemble forecasting systems have been developed to reduce forecast uncertainties. In this study, the performance of ensemble precipitation forecasts of seven numerical models in 2019 Gorganroud floods was studied. Initially, the precipitation forecasts of the seven numerical models were bias-corrected via gamma quantile mapping method. Then ensemble streamflow forecasts were obtained by ensemble precipitation of seven models using the GR4J conceptual rainfall-runoff model. Based on the optimized parameters, ensemble streamflow forecasts were performed with precipitation forecasts inputs while uncertainty of the models was analyzed based on inputs to the hydrological model. The results showed that the bias correction had a great impact on the improvement of flood forecast in the study basin such that the uncertainty bands of the ECMWF, NCMRWF and UKMO models well covered the observed flood values. P-factor and R-factor values of the ECMWF model was 0.5 and 0.96, respectively; however, the upper and lower bands of ECMWF model was symmetrical. The NCEP and CMA models had poorer performance in flood forecast compared with other models so that their P-factor values were 0.2 and 0.15, respectively. The JMA model overestimated the 2019 flood. Although the ECCC model bands covered 65% of the observed flood values, the gap between the upper and lower bands was quite high. Overall, the results of a number of NWP models in the study basin were satisfactory and their application is generally recommended for flood warning systems.

کلیدواژه‌ها [English]

  • Ensemble forecasting
  • bias correction
  • Flood Forecasting
  • Uncertainty analysis
  • Golestan
Alfieri L, Pappenberger F, Wetterhall F, Haiden T, Richardson D, and Salamon P (2014) Evaluation of ensemble streamflow predictions in Europe. Journal of Hydrology 517:913-922
Aminyavari S, Saghafian B, and Delavar M (2018) Evaluation of TIGGE ensemble forecasts of precipitation in distinct climate regions in Iran. Advances in Atmospheric Sciences 35(4):457-468
Aminyavari S, Saghafian B, and Delavar M (2018) Post-processing numerical precipitation forecasting models output of TIGGE database using Bayesian Model Averaging (BMA). Iran-Water Resources Research 14(4):239-252 (In Persian)
Aminyavari S, Saghafian B, and 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):2741-2760
Bennett JC, Robertson DE, Shrestha DL, Wang QJ, Enever D, Hapuarachchi P, and Tuteja NK (2014) A System for Continuous Hydrological Ensemble Forecasting (SCHEF) to lead times of 9 days. Journal of Hydrology 519:2832-2846
Cai C, Wang J, and Li Z (2019) Assessment and modelling of uncertainty in precipitation forecasts from TIGGE using fuzzy probability and Bayesian theory. Journal of Hydrology 577:123995
Coron L, Perrin C, and Michel C (2016) airGR: Suite of GR hydrological models for precipitation-runoff modelling. R Package Version 1.0.1 (http://webgr. irstea. fr/modeles/? lang= en)
Defrance D, Javelle P, Organde D, Ecrepont S, Andréassian V (2017) Using damage reports to assess different versions of a hydrological early warning system . Hydrology and Earth System Sciences Discussions, European Geosciences Union 11:4365-4401
Giordani A, Zappa M, and Rotach MW (2020) Estimating ensemble flood forecasts’ uncertainty: A novel “Peak-Box” approach for detecting multiple peak-flow events. Atmosphere 11(1):2
He Y, Wetterhall F, Bao H, Cloke H, Li Z, Pappenberger F, Hu Y, Manful D, Huang Y (2010) Ensemble forecasting using TIGGE for the July–September 2008 floods in the Upper Huai catchment: A case study. Atmospheric Science Letters 11(2):132-138
Javanmard GM, Delavar M, and Morid S (2018) Medium-term forecast evaluation of TIGGE numerical weather prediction models for karun basin. Iran-Water Resources Research 14(3):1-12 (In Persian)
Liu Y, Duan Q, Zhao L, Ye A, Tao Y, Miao C, Mu X, and Schaake JC (2013) Evaluating the predictive skill of post-processed NCEP GFS ensemble precipitation forecasts in China’s Huai river basin. Hydrological Processes 27(1):57-74
Matsueda M and Nakazawa T (2015) Early warning products for severe weather events derived from operational medium-range ensemble forecasts. Meteorological Applications 22(2):213-222
Piani C, Haerter JO, and Coppola E (2010) Statistical bias correction for daily precipitation in regional climate models over Europe. Theoretical and Applied Climatology 99(1-2):187-192
Swinbank R, Kyouda M, Buchanan P, Froude L, Hamill TM, Hewson TD, Keller JH, Matsueda M, Methven J, Pappenberger F, … and Yamaguchi M (2016) The TIGGE project and its achievements. Bulletin of the American Meteorological Society 97(1):49-67
Thiboult A, Anctil F, and Ramos MH (2017) How does the quantification of uncertainties affect the quality and value of flood early warning systems?. Journal of Hydrology 551:365-73
Thiemig V, De Roo A, and Gadain H (2011) Current status on flood forecasting and early warning in Africa. Intl. J. River Basin Management 9(1):63-78
Thiemig V, Bisselink B, Pappenberger F, and 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, and Habets F (2008) On the impact of short-range meteorological forecasts for ensemble streamflow predictions. Journal of Hydrometeorology 9(6):1301-1317
Xiong L, Wan MI, Wei X, O'connor KM (2009) Indices for assessing the prediction bounds of hydrological models and application by generalised likelihood uncertainty estimation/Indices pour évaluer les bornes de prévision de modèles hydrologiques et mise en œuvre pour une estimation d'incertitude par vraisemblance généralisée. Hydrological Sciences Journal 54(5):852-71
Xu Y (2015) Hyfo: hydrology and climate forecasting R package for data analysis and visualization.
Wijayarathne DB and Coulibaly P (2020) Identification of hydrological models for operational flood forecasting in St. John’s, Newfoundland, Canada. Journal of Hydrology: Regional Studies 27:100646
Ye J, Shao Y, Li Z (2016) Flood forecasting based on TIGGE precipitation ensemble forecast. Advances in Meteorology 1-9
Zomerdijk L (2015) Performance of multi-model ensemble combinations for flood forecasting. University of Twente