تعداد نشریات | 23 |
تعداد شمارهها | 383 |
تعداد مقالات | 3,039 |
تعداد مشاهده مقاله | 2,762,560 |
تعداد دریافت فایل اصل مقاله | 1,950,891 |
ارزیابی شبیهسازی بارش با استفاده از مدل WRF/WRF-Hydro ( مطالعه موردی: حوضه ابوالعباس) | ||
فناوری های پیشرفته در بهره وری آب | ||
مقاله 1، دوره 2، شماره 4، دی 1401، صفحه 1-14 اصل مقاله (1.45 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22126/atwe.2023.8482.1031 | ||
نویسندگان | ||
فرزانه یزدان پناه قرایی1؛ محسن پوررضا بیلندی* 2؛ آمنه میان آبادی3؛ مرتضی بابایی4؛ سمیه ایمانی امیرآباد5 | ||
1دانشجوی دکتری منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران. | ||
2دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران. | ||
3استادیار گروه اکولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران. | ||
4دانش آموخته کارشناسی ارشد هواشناسی، دانشگاه تهران، تهران، ایران. | ||
5دانشجوی دکتری منابع آب، گروه مهندسی محیط زیست، دانشکده محیط زیست، پردیس دانشکده های فنی دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
هر ساله وقوع بارشهای سنگین در حوضههای سیلخیز کشور منجر به رخداد سیلاب و خسارتهای ناشی از آن میگردد. بنابراین پیش بینی دقیق بارندگی برای انجام اقدامات پیشگیرانه از اهمیت بالایی برخوردار است. از این رو پیشبینی بارش یکی از مهمترین مسائل در حوزه مدیریت منابع آب میباشد. تاکنون روشهای مختلفی برای پیشبینی بارش استفاده شدهاست. پژوهشهای هیدرولوژیکی پیشرفته در پیش-بینیهای کوتاه مدت هواشناسی نامشخص است و هنوز در دست بررسی و درک تاثیر آن است . انتظار میرود مفهوم اتصال مدل هیدرولوژیکی (WRF-Hydro) با مدل جوی (WRF)عدم قطعیت های مربوط به توزیع مکانی و زمانی وقایع طوفان، به ویژه برای مناطق با خصوصیات پیچیده را کاهش دهد. در مطالعه حاضر به بررسی ارزیابی مدل WRF/WRF-Hydro جهت پیش بینی ۴ رویداد بارش که منتج به وقوع سیلاب شده اند، پرداخت شد. در شبیهسازیهای بارش این مدل کم تخمین بود و مدل در حالت جفتشده نتایج بهتری ارائه داد. جهت اجرای مدل از داده های ERA5 استفاده شد که این داده ها عملکرد مطلوبی برای مدل در حوزه مذکور داشتند. همچنین برای پیکربندی مدل از سه طرح واره خرد فیزیک Lin، Thompson و WSM6 استفاده شد و با توجه به معیارهای ارزیابی خطا RMSE و NSE هر سه این طرحواره ها عملکرد مشابهی داشتند. | ||
کلیدواژهها | ||
ابوالعباس؛ دادههای بازتحلیل ERA5؛ شبیهسازی بارش؛ مدل اقلیمی؛ WRF | ||
مراجع | ||
ایمانی، سمیه.، حسن لی، امیر محمد.، فرخ نیا، اشکان.، جوادی، فاطمه.، و نجفی، محمد سعید. (1399). ارزیابی کارایی مدل WRF-Hydro در توسعه سامانههای پیشبینی و هشدار سیلاب (مطالعه موردی حوضه آبریز کشکان). تحقیقات منابع آب ایران،16(4)، 225-240. http://www.iwrr.ir/article_126926.html
ذاکری، زینب.، آزادی، مجید.، و صحرائیان، فاطمه. (1393). راستی آزمایی برونداد مدل WRF برای بارندگی بر روی کشور ایران در دوره فوریه تا انتهای می سال 2009. نشریه نیوار، 38(87-86)، 3-10. https://nivar.irimo.ir/article_13252.html
عبداللهی اسفندآبادی، مینا.، و فاضلی، میثم. (1398). ارزیابی دقت پیش بینی هواشناسی در برآورد سیل در حوضه های غرب کشور. سومین کنفرانس ملی هیدرولوژی ایران،تبریز. https://civilica.com/doc/950985
گودرزی، لیلا.، بنی حبیب، محمدابراهیم.، و غفاریان،. پروین. (1397). ارزیابی عملکرد مدل WRF در شبیه سازی بارش های سنگین. پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، 25(1)، 242-229. https://sid.ir/paper/156374/fa
Abdullahi Esfandabadi, M., & Fazli, M. (2018). Evaluation of the accuracy of meteorological forecast in the estimation of floods in the western basins of the country. the third national hydrology conference of Iran, Tabriz. https://civilica.com/doc/950985 [In Persian] Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)–Arguments against avoiding RMSE in the literature. Geoscientific model development, 7(3), 1247-1250. https://doi.org/10.5194/gmd-7-1247-2014 Chen, C., Zhang, Q., Kashani, M. H., Jun, C., Bateni, S. M., Band, S. S., & Chau, K. W. (2022). Forecast of rainfall distribution based on fixed sliding window long short-term memory. Engineering Applications of Computational Fluid Mechanics, 16(1), 248-261. https://doi.org/10.1080/19942060.2021.2009374 Gochis, D. J., Yu, W., & Yates, D. N. (2015). The WRF-Hydro model technical description and user’s guide, version 3.0. NCAR Tech. National Center for Atmospheric Research, 120. http://www.ral.ucar.edu/projects/wrf_hydro Gsella, a., de Meij, A., Kerschbaumer, A., Reimer, E., Thunis, P., & Cuvelier, C. (2014). Evaluation of MM5, WRF and TRAMPER meteorology over the complex terrain of the Po Valley, Italy. Atmospheric Environment, 89, 797–806. https://doi.org/10.1016/j.atmosenv.2014.03.019 Guderzi, L., Bani Habib, M., Ghafarian. P. (2017). Evaluation of WRF model performance in simulating heavy rainfall. Water and soil conservation research (agricultural sciences and natural resources), 25(1), 229-242 https://sid.ir/paper/156374/fa [In Persian] Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2), 80-91. https://doi.org/10.1016/j.jhydrol.2009.08.003 Imani, S., Hasan Lee, A., Farrokhnia, A., Javadi, F., & Najafi, M.(2021). Evaluating the efficiency of WRF-Hydro model in the development of flood forecasting and warning systems (case study of Kashkan watershed). Iran Water Resources Research, 16(4). http://www.iwrr.ir/article_126926.html [In Persian] Liu, Y., Chen, Y., Chen, O., Wang, J., Zhuo, L., Rico-Ramirez, M. A., & Han, D. (2021). To develop a progressive multimetric configuration optimisation method for WRF simulations of extreme rainfall events over Egypt. Journal of Hydrology, 598, 126237. https://doi.org/10.1016/j.jhydrol.2021.126237 Liu, Y., Zhao, Q., Yao, W., Ma, X., Yao, Y., & Liu, L. (2019). Short-term rainfall forecast model based on the improved BP–NN algorithm. Scientific reports, 9(1), 1-12. https://doi.org/10.1038/s41598-019-56452-5 Ni, L., Wang, D., Singh, V. P., Wu, J., Wang, Y., Tao, Y., & Zhang, J. (2020). Streamflow and rainfall forecasting by two long short-term memory-based models. Journal of Hydrology, 583, 124296. https://doi.org/10.1016/j.jhydrol.2019.124296 Patel, P., Ghosh, S., Kaginalkar, A., Islam, S., & Karmakar, S. (2019). Performance evaluation of WRF for extreme flood forecasts in a coastal urban environment. Atmospheric Research, 223, 39-48. https://doi.org/10.1016/j.atmosres.2019.03.005 Pearce, W., Holmberg, K., Hellsten, I., & Nerlich, B. (2014). Climate change on Twitter: Topics, communities and conversations about the 2013 IPCC Working Group 1 report. PloS one, 9(4), e94785. https://doi.org/10.1371/journal.pone.0094785 Rogelis, M. C., & Werner, M. (2018). Streamflow forecasts from WRF precipitation for flood early warning in mountain tropical areas. Hydrology and Earth System Sciences, 22(1), 853-870. https://doi.org/10.5194/hess-22-853-2018 Ronda, R. J., Steeneveld, G. J., Heusinkveld, B. G., Attema, J. J., & Holtslag, A. A. (2017). Urban finescale forecasting reveals weather conditions with unprecedented detail. Bulletin of the American Meteorological Society, 98, 2675–2688. https://doi.org/10.1175/BAMS-D-16-0297.1 Seddighi, H., & Seddighi, S. (2020). How much the Iranian government spent on disasters in the last 100 years? A critical policy analysis. Cost effectiveness and resource allocation, 18(1), 1-11. https://doi.org/10.1186/s12962-020-00242-8 Skamarock, W. C., and J. B. Klemp, 2008: A time-split nonhydrostatic atmospheric model for weather research and forecasting applications. Journal of Computational Physics, 227, 3465-3485. https://doi.org/10.1016/j.jcp.2007.01.037 Skamarock, W., Klemp, J., Dudhi, J., Gill, D., Barker, D., Duda, M., Huang, X.Y., Wang, W., & Powers, J. (2008). A Description of the Advanced Research WRF Version 3. Technical Report June National Center for Atmospheric Research Boulder, Colorado, USA. http://dx.doi.org/10.5065/D68S4MVH Zabel, F., & Mauser, W. (2013). 2-way coupling the hydrological land surface model PROMET with the regional climate model MM5. Hydrology and Earth System Sciences, 17(5), 1705-1714. https://doi.org/10.5194/hess-17-1705-2013 Zakari, Z., Azadi, M., & Sahraian, F. (2013). Verification of the output of the WRF model for rainfall over Iran in the period from February to the end of May 2009. Newar, 38(8786), 10-3. https://nivar.irimo.ir/article_13252.html [In Persian] Zhao, Q., Liu, Y., Ma, X., Yao, W., Yao, Y., & Li, X. (2020). An improved rainfall forecasting model based on GNSS observations. IEEE Transactions on Geoscience and Remote Sensing, 58(7), 4891-4900. 10.1109/TGRS.2020.2968124 Zhao, Q., Liu, Y., Yao, W., & Yao, Y. (2021). Hourly rainfall forecast model using supervised learning algorithm. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-9. 10.1109/TGRS.2021.3054582 El Afandi, G., Morsy, M., & El Hussieny, F. (2013). Heavy rainfall simulation over sinai peninsula using the weather research and forecasting model. Int. J. Atmos. Sci, 11, 241050. http://dx.doi.org/10.1155/2013/241050. | ||
آمار تعداد مشاهده مقاله: 291 تعداد دریافت فایل اصل مقاله: 345 |