تحلیل عدم قطعیت پارامترها با روش مونت-کارلو برای پیش‌بینی سیل با بکارگیری بارش و دمای هوا پیش‌بینی‌شده با مدل WRF در حوضه دز

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی منابع آب، واحد اهواز/دانشگاه آزاد اسلامی، اهواز، ایران.

2 گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

3 گروه محیط زیست، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

چکیده

عدم‌قطعیت پارامترهای مدلهای بارش-رواناب، منابع اصلی عدم‌قطعیت در پیش بینی بهنگام سیل می‌باشند. در این مقاله از روش مونت کارلو برای تعیین عدم‌قطعیت هیدروگراف سیلاب پیش‌بینی‌شده بعلت عدم‌قطعیت در پارامترهای کالیبراسیون مدل بارش-رواناب در حوضه دز در جنوب غربی ایران استفاده شده است. بارش و دمای هوا با بکارگیری مدل پیش‌بینی و تحقیقات آب و هوا (WRF) پیش‌بینی شد. برای پیش‌بینی سیلاب متناظر با بارش و دمای هوای پیش‌بینی‌شده، از مدل هیدرولوژیکی HEC-HMS استفاده شد. برای مدلسازی تلفات، تبدیل بارش به رواناب و روندیابی جریان در آبراهه‌ها به ترتیب از روش‌های شماره منحنی SCS، هیدروگراف واحد کلارک و ماسکینگام-کانج استفاده شد. نتایج نشان می‌دهد که بهترین طرحواره در مدل WRF برای پیش‌بینی بارش و دمای هوای ساعتی در حوضه دز MYJLG است. بنابراین طرحواره لایه مرزی MYJ، طرحواره خردفیزیک ابر Lin و طرحواره تابشی GODDARD بهترین عملکرد در پیش‌بینی سیل در حوضه دز را دارد. علاوه بر این نتایج این تحقیق نشان می‌دهد که با در نظرگرفتن عدم‌قطعیت همزمان در تمام پارامترها، عدم‌قطعیت در دبی اوج هیدروگراف سیل پیش‌بینی‌شده بیشتر از عدم‌قطعیت در حجم هیدروگراف است. بطوری که عدم‌قطعیت در دبی اوج و حجم هیدروگراف سیل پیش‌بینی‌شده بعلت عدم‌قطعیت تمامی پارامترها به ترتیب برابر با 5/32 و 2/21 درصد است. بنابراین با کمبود مراحل پیش‌بینی و هشدار سیل بر مبنای ریسک، به کمیت درآوردن عدم‌قطعیت، اطلاعات اضافی در مورد پیش‌بینی‌ها فراهم کرده که به تصمیم‌گیرندگان کمک می‌کنند تا به نحو مناسبتر تصمیم بگیرند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Parameter uncertainty analysis by Monte-Carlo method for flood forecasting using WRF Prediction of Precipitation and Air Temperature in Dez Basin

نویسندگان [English]

  • Mohammad Ali Mehralipour 1
  • Hosein Fathian 2
  • Ali Reza Nikbakht Shahbazi 2
  • Narges Zohrabi 2
  • Elham Mobarak hassan 3
1 Department of Water Resources Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 Department of Water Resources Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
3 Department of Environment, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran..
چکیده [English]

Parameters uncertainty of rainfall-runoff models are the main sources of uncertainty in real time flood forecasting. In this paper, the Monte Carlo method is used to estimate the uncertainty of the forecasted flood hydrograph due to uncertainty in the calibration parameters of the rainfall-runoff model in Dez Basin in southwestern Iran. Precipitation and air temperature were predicted using Weather Research and Forecasting (WRF) model. The HEC-HMS hydrological model was used to forecast the flood hydrograph corresponding to the predicted precipitation and air temperature. The SCS-CN, Clark Unit Hydrograph, and Muskingum-Cung methods were used to model losses, transform and flood routing, respectively. The results show that the best scheme in WRF model is MYJLG to predict hourly precipitation and air temperature in Dez Basin. Therefore, the MYJ boundary layer scheme, Lin cloud microphysics scheme and GODDARD radiant scheme have the best performance in flood forecasting in Dez basin. In addition, the results of this study show that considering the simultaneous uncertainty in all parameters, the uncertainty in peak discharge of the forecasted flood hydrograph is higher than the uncertainty in the volume of the hydrograph. So that the uncertainty in peak discharge and the volume of forecasted flood hydrograph due to the uncertainty of all parameters are equal to 32.5 and 21.2%, respectively. Thus, with the lack of flood forecasting and warning based on risk, quantifying uncertainty has provided additional information about forecasts that will help decision makers make better decisions.

کلیدواژه‌ها [English]

  • Parameters uncertainty
  • Flood Forecasting
  • Monte-Carlo
  • WRF Model
  • HEC-HMS model
Abrahart R, Kneale PE, and See LM (2004) Neural networks for hydrological modeling. CRC Press, 316p
Cannon F, Weihs RR, Diaz Isaac LI, and Delle Monache L (2019) An ensemble-based evaluation of WRF Precipitation forecast uncertainty in california watersheds. AGUFM H31D-07
Deb SK, Srivastava TP, and Kishtawal CM (2008) The WRF model performance for the simulation of heavy precipitating events over Ahmedabad during August 2006. Journal of Earth System Science 117(5):589-602
Eckhardt K, Breuer L, and Frede HG (2003) Parameter uncertainty and the significance of simulated land use change effects. Journal of Hydrology 273(1):164-176
Gilliam RC, Pleim JE (2010) Performance assessment of new land surface and planetary boundary layer physics in the WRF-ARW. Journal of Applied Meteorology and Climatology 49(4):760-774
USACE (2018) Hydrologic modeling system HEC-HMS: User manual and Applications Guide: Version 4.3, US Army Corps of Engineers, Davis, California, 453p
USACE (2000) Hydrologic modeling system HEC-HMS technical reference manual. US Army Corps of Engineers, Hydrologic Engineering Center, Davis, California, 158p
Hong S, Dudhia J, and Chen S (2004) A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Monthly Weather Review 132(1):103-120
Kabir A, Bahremand AR (2013) Study uncertainty of parameters of rainfall-runoff model (WetSpa) by Monte Carlo method. Journal of Water and Soil Conservation 20(5):97-81 (In Persian)
Kahe MS, Javadi S, and Roozbahani A (2017) Uncertainty assessment of hydraulic conductivity parameter in MODFLOW model using Monte Carlo and RPEM methods (Case study: Ali Abad Plain of Qom). Iran-Water Resources Research 14(2):23-35 (In Persian)
Karimi Sh, Jabbarian Amiri B, and Malekian A (2018) Modeling the impact of watershed physical attributes on surface water quality and uncertainty assessment of the models using the Monte Carlo simulation. Iran-Water Resources Research 14(3):304-317 (In Persian)
Khodamorad Pour M, Irannejad P, and Hajjam S (2011) The evaluation of simulated discharge of coupled surface scheme and river routing in numerical weather prediction WRF (Case study Karoon river). Journal of the Earth and Space Physics 37(1):199-214 (In Persian)
Kumar R, Chatterjee C, Lohani AK, Kumar S, and Singh RD (2002) Sensitivity analysis of the GIUH based Clark model for a catchment. Water Resources Management 16(4):263-278
Liu YR, Li YP, Huang GH, Zhang JL, and Fan YR (2017) A Bayesian-based multilevel factorial analysis method for analyzing parameter uncertainty of hydrological model. Journal of Hydrology 553:750-762
Lu T, Yamada T, and Yamada T (2016) Fundamental study of real-time short-term rainfall prediction system in watershed: Case study of Kinu Watershed in Japan. Procedia Engineering 154:88-93
Mahdavi M (1999) Applied hydrology. Vol. 2, 2nd ed., Tehran University Press, Tehran, Iran, 410p (In Persian)
 
Maskey S, Price RK (2004) Uncertainty issues in flood forecasting. In Flood Events-Are We Prepared? Proceeding of the OSIRIS Workshop, Berlin. 123-136
Mostafazadeh R, Mirzaei S, Esmali Ouri A, and Zabihi M (2018) Sensitivity analysis of the flow hydrograph components due to changes in Clark's time-area model in Mohammad-Abad watershed, Gloestan Province. Journal of Water and Soil Conservation 49(1):91-99 (In Persian)
Mousavi SJ, Abbaspour KC, Kamali B, Amini M, and Yang H (2012) Uncertainty-based automatic calibration of HEC-HMS model using sequential uncertainty fitting approach. Journal of Hydroinformatics 14(2):286-309
Nash JE, Sutcliffe JV (1970) River flow forecasting through conceptual models; part I: A discussion of principles. Journal of Hydrology 10:282-290
Raju P, Potty J, and Mohanty UC (2011) Sensitivity of physical parameterizations on prediction of tropical cyclone Nargis over the Bay of Bengal using WRF model. Meteorology and Atmospheric Physics 113(3-4):125-137
Skamarock WC, Klemp JB, Dudhia J, Gill DO, Barker DM, Duda MG, Huang XY, Wang W, and Powers JG (2008) A description of the advanced research WRF version 3 NCAR Technical Note NCAR. TN-475+ STR (Boulder, CO: NCAR)
Srivastava PK, Islam T, Gupta M, Petropoulos G, and Dai Q (2015) WRF dynamical downscaling and bias correction schemes for NCEP estimated hydro-meteorological variables. Water Resources Management 29(7):2267-2284
Straub TD, Melching CS, and Kocher KE (2000) Equations for estimating Clark unit-hydrograph parameters for small rural watersheds in Illinois. US Department of the Interior, US Geological Survey, Water-Resources Investigations Report 00-4184, 36p
Wang ZH, Bou-Zeid E, Au SK, and Smith JA (2011) Analyzing the sensitivity of WRF’s single-layer urban canopy model to parameter uncertainty using advanced Monte Carlo simulation. Journal of Applied Meteorology and Climatology 50(9):1795-1814
Willmott CJ, Robeson SM, and Matsuura K (2012) A refined index of model performance. International Journal of Climatology 32(13):2088-2094
Yang B, Qian Y, Lin G, Leung R, Zhang Y, and Fu Q (2012) Some issues in uncertainty quantification and parameter tuning: a case study of convective parameterization scheme in the WRF regional climate model. Atmospheric Chemistry & Physics 12(5)
Yuan X, Liang X, and Wood EF (2012) WRF ensemble downscaling seasonal forecasts of China winter precipitation during 1982–2008. Climate Dynamics 39(7-8):2041-2058
Zeng X, Wu Z, Xiong S, Song S, Zheng Y, and Liu H (2011) Sensitivity of simulated short-range high-temperature weather to land surface schemes by WRF. Science China Earth Sciences 54(4):581-590