ارزیابی پیش‌بینی میان مدت بارش مدل‌های عددی جهانی پایگاه TIGGE در حوضه کارون بزرگ

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه تربیت مدرس، گروه مهندسی منابع آب

چکیده

در طول دهه‌های اخیر، سیلاب به دلیل توسعه شهری و تغییر اقلیم به مسئله جدی تبدیل شده است. به همین سبب علاقه بین‌المللی در پیش بینی سیل در چند دهه گذشته افزایش یافته است. از طرفی با توجه به اینکه مهمترین عامل سیلاب، بارش است از اینرو پیش‌بینی دقیق آن در کاربردهای هیدرولوژیکی حائز اهمیت است. این تحقیق به ارزیابی داده‌های بارش پیش‌بینی شده مدل‌های عددی جهانی پایگاه TIGGE۱و بهبود آن‌ها با استفاده از تصحیح اریبی در حوضه کارون پرداخته است. ارزیابی‌ها در بخش هواشناسی به صورت نقطه‌ای و منطقه‌ای و ارزیابی خطا جابجایی، حجم و الگوی مکانی بارش مدل‌ها با استفاده از روش شی‌گرا CRA۲ انجام گرفته است. سپس با استفاده از روش نگاشت چندک به بهبود بارش‌های پیش‌بینی شده پرداخته شده است. در ارزیابی داده‌های اولیه مدل‌های جهانی پایگاه TIGGE، مدل عددی ECMWF۳در ارزیابی نقطه‌ای و منطقه‌ای با توجه به شاخص‌ها نسبت به دیگر مدل‌ها برتری داشته است و مدل CMC۴عملکرد ضعیفی نسبت به دیگر مدل‌ها داشته است. ارزیابی داده‌های تصحیح اریبی شده توسط روش نگاشت چندک، نیز نشان از بهبود شاخص‌های ارزیابی نسبت به قبل از استفاده این روش دارد. همچنین در ارزیابی خطا جابجایی، حجم و الگو مکانی مدل‌های عددی جهانی مدل‌های ECMWF، NCEP۵و CMC به ترتیب عملکرد مناسبتری نسبت به مدل UK ۶ نشان داده اند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Medium-Term Forecast of TIGGE Numerical Weather Prediction Models in Karun Basin

نویسندگان [English]

  • Majid Jvanmard ghassab
  • Saeed Morid
Water resources engineering Dept. Tarbiat modares university
چکیده [English]

The flood has become a serious issue Over the past decades, due to urban development and climate change and therefore, international interest in flood forecast has increased subsequently. On the other hand, due to the fact that the main cause of the flood is precipitation, its precise prediction in hydrological applications is important. This study evaluates the predicted rainfall data of the global numerical models of the TIGGE database and their improvement using bias correction in the Karun Basin. Meteorological assessments were carried out in point and regional scale and the estimation of displacement error, volume and spatial pattern of precipitation of the models were performed using the CRA Object Oriented Method. At the next step, the predicted precipitation was improved using quantile mapping method. In assessing the initial data of the TIGGE database of global models, the ECMWF numerical model has dominated in the point and region evaluation with respect to the indices compared to other models, and the CMC model has a poor performance compared to other models. The evaluation of biased correction data by quantile mapping method also indicates an improvement in evaluation of the indices compared to the results before applying this method. Furthermore, in estimating the displacement error, the volume and spatial pattern of the global numerical models, the ECMWF, NCEP, and CMC models have shown to perform better than the UK model, respectively

کلیدواژه‌ها [English]

  • forecast
  • Precipitation
  • bias correction
  • CRA

Barthholmes j, Todini E (2005) Coupling meteorological and hydrological models for flood forecasting. Journal of Hydrology and Earth system sciences 9(4):333-346

Bougeault P, Toth Z, Bishop C, Brown B, Burridge D, Chen DH, Worley S (2010) The thorpex interactive grand global ensemble. Bulletin of the American Meteorological Society 91(8):1059–1072

Buizza R, Milleer M, Palmer T N (1999) Stochastic representation of model uncertainties in the ECMWF   ensemble prediction system. Journal of the Royal Meteorological Society 125:2887-2908

Cannon A J, Whitfield P H (2002) Downscaling recent streamflow conditions in British Columbia, Canada   using ensemble neural network models. Journal of Hydrology  259:136-151

Cloke  H L, Pappenberger F (2009)  Ensemble flood forecasting: A review. Journal of Hydrology 375:613-626

Collischonn W, Haas R, Andreolli I, Tucci C E M (2005) Forecasting river Uruguay flow using rainfall forecasts from a regional weather-prediction model. Journal of Hydrololy 305:87–98

Collischonn W, Tucci C E M, 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 Hydrololy 344:112-122

Ebert E E, J L McBride (2000) Verification of precipitation in weather systems: Determination of systematic errors. Journal of Hydrology 239:179-202

Gneiting T, Raftery AE (2005) Weather forecasting with ensemble methods. Atmospheric Science 310(5746):248-9

Green C H, Parker D J, Tunstall S M (2000) Assessment of flood control and management options, cape town: world commision on dams. (http:// www.dams.org)

Golian  S, Moazemi S, Kirstetter P, Hong Y (2015) Evaluating the performance of merged multi-satellite precipitation products over a complex terrain. Journal of Water Resource Management 29:4885-4991

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. Atmospheric Science Letters 11(2):132-138

Haydari A, Emami K, Barkhordar M, Taghikhan Sh, Moradifalah  Sh, Sadatmiri  M (2006) Flood forecast and warning guiding. Translated, IRNCID, Tehran (In Persian)

Jamab (1999) Comprehensive assessment of national water resources: Karoun and Dez river basin. Jamab Consulting Engineers in Association With Ministry of Energy, Iran (In Persian)

Javaheri N, Azadi M, Mirzaei E (2007) Introduction to flood forecasting structure software and its application in Karoun Basin. Seventh Conference on Numerical Weather Prediction, Iran Meteorological Organization

Wu J, Lu G, Wu Z (2014) Flood forecasts based on multi-model ensemble precipitation forecasting using a coupled atmospheric-hydrological modeling system. Jorunal of Natrual Hazards 74(2):325-340

Kafashzadeh N (2010) Probabality forecasting of precipitation of WRF- MM5 model measured by an ensemble system in Iran. M.Sc. Thesis, School of Meteorology, Hormozgan University

Kalnay  E (2003) Atmospheric modeling, data assimilation and predictability. Cambridge University

Shirgholami M (2009) Post processing of WRF model’s out put for precipitation in Iran. M.Sc.Thesis, Science and Research branch Department of Meteorology, Islamic Azad University (In Persian)

Taghizadeh E (2010) Evaluation of regional models HRM, MM5 and WRF precipitation forecasts over Iran. M.Sc. Thesis, Department of Physics,Yazd University

Tao Y, Duan Q, Ye A, Gong W, Di Z, Xiao M, Hsu K (2014) An evaluation of post-processed TIGGE multimodel ensemble precipitation forecast in the Huai river basin. Journal of Hydrology 519:2890–2905

Trenberth K E (1992) Climate system modeling. Cambridge University Press, 820p

Voisin N, Schaake J C, Lettenmaier D P (2010) Calibration and Downscaling Methods for Quantitative Ensemble Precipitation Forecasts. Journal of Weather and Forecasting 25(6):1603–1627

Wang G, Hao J, Ma J, Jiang H (2011) A comparative assessment of ensemble learning for credit scoring. Expert Systems with Applications 38(1):223–230