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