پیش‌بینی رواناب حوضه آبریز تیره با استفاده از پیش‌بینی کمی بارش خروجی مدل WRF

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

2 دانشیار دانشگاه آزاد اسلامی، گروه هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

3 کارشناس ارشد هواشناسی، رئیس اداره هواشناسی ماهواره‌ای و فن‌آوری نوین سازمان هواشناسی کشور

چکیده

هدف از انجام این پژوهش پیشبینی رواناب با استفاده از پیشبینی کمی بارش حاصل از برونداد مدلهای پیشبینی عددی جو می باشد. لذا در جهت انجام پژوهش حاضربرای پیشبینی بارش از مدلWRFوبرای پیش‌بینی رواناب از مدل HEC-HMS استفاده گردید. نخست برای آمادهسازی مدل HMS جهتپیش بینی رواناب، ازدادههای دیدبانی بارش در مقیاس ساعتی و روزانه و همچنین دبی ساعتی اخذ شده از سازمان‌های ذیربط استفاده شد. پس از بررسی آمار مأخوذه تعدادی رویداد سیلاب جهت واسنجی مدل HEC-HMS انتخاب گردید،این رویدادها با مدل HMS شبیهسازی شد. در پی آن با آزمونهای متوالی و روش سعی و خطا برای بهترین شبیه‌سازی انجامشده جهت تعیین پارامترهایی از قبیل شماره منحنی، زمان‌تاخیر و ضریب دبیاوج بهینه گردیدندو از آنها جهت اعتبارسنجی مدل بهرهبرده شد. پس از واسنجی مدل HEC-HMS سه رویداد سیل جهت راستآزمایی مدل انتخاب گردید. در این مرحله از کار بارش مولد سیلابهای منتخب جهت راستآزمایی مدل HEC-HMS توسط مدل پیشبینی عددی جو، WRF پیشبینی شد. سپس بارش حاصل از برونداد این مدلها به‌عنوان ورودی مولفه بارش مدل HEC-HMS بکارگرفته شد، و مدل HEC-HMS با این مقادیر بارش اجرا گردید. نتایج حاصل بهطور خلاصه به این شرح می باشد مقادیر رواناب پیشبینیشده کمتر از مقادیر مشاهدهای آن میباشد در پیشبینی رواناب،  نتایج حاصل در رویداد اردیبهشت 1382و1383 قابلقبول بوده و نتایج رویداد اسفند 1383 چشمگیر نبودهاست. بهگونهایکه میانگین خطایمطلق پیشبینی، قدرمطلق خطاینسبی دبی اوج و حجم برای رویداد اسفند 1383به ترتیب 76، 4/41و 7/39 می باشد. این مقادیر برای رویداد اردیبهشت 1382 به ترتیب 23، 13/16 و 48/15و برای رویداد اردیبهشت 1383بهترتیب 13، 22/1 و 94/18 به‌دست‌آمده است. بنابراین می‌توان گفت در بررسی رویداد‌های فوق دو رویداد که در فصل بهار رخ داده‌اند نتایج بهتری به‌دست‌آمده است. شایان‌ذکر‌است که این نتایج مربوط به بررسی‌های انجام‌شده است و تعمیم آن منوط به بررسی‌های مکانی و زمانی بیشتری می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Real time runoff forecasting of Tire basin using Quantitative Precipitation Forecasting of WRF model

نویسندگان [English]

  • N Khezriannejad 1
  • S Hajjam 2
  • E Mirzaei 3
  • A. H. Meshkati 2
چکیده [English]

Introduction

Due to their high speed, flash floods are placed among the most important devastating disasters to humanity in contrast to other disasters such as drought and famine. The event is usually results from heavy precipitation. If the flood forecasting is done by an appropriate method, dealing with can be managed more properly. There are many parameters which are effective on models of flood forecasting. An essential component for flood forecasting is quantitative precipitation forecasting (QPF). At present, QPF is provided using limited area numerical models. The output of these local models is also used for operational and research purposes in Iran. Concerning the importance of QPF for flood forecasting of, in this research, the QPF output of the WRF model is used as an input for the HEC-HMS hydrology model to forecast the flood of Tire basin in Lorestan province of Iran.

 

Materials and Methods

The Tire basin, in the west and southwest of Iran, is one of the sub-basins of the large Dez basin. In this research, hourly and daily precipitation data of rain gauges and also hourly discharge  data from stations were collected and studied,. After preparation and qualitative control of the mentioned data sets, some preparations were applied for calibration of the HEC-HMS model and some of its hydrological parameters such as lag time, curve number and coefficient of maximum discharge were reconsidered. By topographic evaluation and assessment of soil and plant coverage of the region, needed preliminary data for performing of HEC-HMS model were estimated by trial and error method. After calibration and obtaining the optimum parameters, model verification was done using ther results obtained from 3 events thatwere not used for calibration already. For verification of rainfall-runoff models, forecasted precipitation of the meteorological WRF model was used. Simulated precipitations were used in the HEC-HMS model as an input and then runoff was simulated. Finally, simulated runoff was verified by statistical gauges.

 

Results

Three statistical criteria are computed in order to evaluate the capability of the coupled model including: the bias, the Mean Absolute Error (MAE), and the absolute relative error. The minimum MAE for the studied events was 13 (m3/s) and the maximum was 76 (m3/s). The minimum and maximum of absolute relative error for peak discharge in the studied events were 1.22, 41.4 (m3/s), respectively. The Minimum and the maximum of absolute relative error for volume of discharge in the studied events were 15.48 and 39.7. Time lags between the observed peak discharge and simulated peak discharge is calculated as 3 to 6 hours. Examining the results, we conclude that the coupled model is working much better for spring events in comparison to winter events.

Conclusion

According to this research it can be said that the combination of WRF and HEC-HMS models increases the lead time of runoff prediction in real time forecasting. In spite of low errors in the forecasting, it can be said that the complete simulation were partly desirable. These results related to the tested cases in the research and generalizing of these results depend on to the more and extended research in the different fields and events. According to the importance of these kinds of forecasts, we suggest to eliminate the errors of these forecasts performing more studies and investigations.

 

 

کلیدواژه‌ها [English]

  • Quantitative Precipitation Forecasting
  • runoff
  • WRF
  • HEC-HMS

مقدمه

موقعیت جغرافیایی کشورمان به گونه­ای است که هر ساله پراکندگی زمانی و مکانی بارش در بسیاری از مناطق کشور باعث وقوع سیل وهم موجب خشکسالی می­شود. سیل یکی از مهمترین بلایای طبیعی است که خسارات وارده از آن به انسان به دلیل سرعت رخداد آن، ازسایر بلایا نظیر خشکسالی و قحطی بیشتر است(Green, et. al., 2000). این پدیده عمدتاً از بارش‌های شدید حاصل می­آید. اگر پیش­بینی سیل به نحو مطلوب انجام شود زمینه را برای مدیریت مناسب و بهنگام آن ایجاد می­کند. روش­های پیش‌بینی از روابط ساده تجربی و روابط همبستگی تا استفاده از مدل­های پیچیده که شامل تمامی مراحل بیلان آب در حوضه رودخانه است متغیر می‌باشد (حیدری و همکاران، 1384). تکنولوژی جمع­آوری، انتقال و پردازش داده­های آب­شناختی و پیش­بینی زمان وقوع سیل از طریق مدل­سازی طی چهل سال اخیر پیشرفت قابل توجهی نموده و امکان بیشتری را برای استفاده از سامانه­های پیشرفته هشدار و پیش­بینی سیل فراهم ساخته است (جواهری و همکاران، 1386). در مدل­های پیش­بینی سیل یا رواناب پارامتر­های زیادی دخیل می‌باشند. یکی از این پارامترها که می تواند تاثیر بسزایی در پیش­بینی ایفا کند، پیش­بینی کمی بارندگی[1] است. تند سیلاب‌ها دارای زمان انتظار[2] بسیار کوتاهی می‌باشند و با رخدادهای هواشناسی بیشینه همراهند، معمولاً به یک توفان همرفتی با یک موقعیت آب‌شناختی خاص مثل یک حوضه آبریز کوچک یا جایی که ظرفیت نفوذپذیری پایین دارد وابسته‌اند. پیش­بینی این تند سیلاب‌ها  قویاً به پیش­بینی کمی بارندگی بستگی دارد (krysztofwicz, 1995). بنابراین با توجه به رابطه­ای که پیش­بینی کمی بارندگی با پیش­بینی رواناب و سیلاب دارد، در این تحقیق از پیش­بینی کمی بارندگی برای پیش­بینی سیل استفاده خواهد شد. پیش­بینی کمی بارندگی امروزه توسط مدل­های پیش­بینی عددی وضع هوا[3]  تولید می­شود. در ایران نیز از خروجی مدل­های منطقه­ای در کارهای تحقیقاتی و عملیاتی استفاده می­شود. وقتی بتوان همه پارامترهای مؤثر برپیش­بینی هیدرولوژیکی را تا حد امکان و به طور مناسب برآورد نمود و به مدلها وارد کرد، پیش­بینی­ها از دقت و صحت بالا برخوردار می­شوند که یکی از این پارامترها پیش­بینی کمی بارندگی است. اهمیت استفاده از پیش­بینی کمی بارندگی راهکار مناسبی برای کاهش خسارات ناشی از تند سیلاب­ها است. همچنین استفاده از پیش­بینی کمی بارندگی منتج شده از مدل­های پیش­بینی عددی وضع هواو استفاده از آنها به عنوان ورودی مدل­های پیش­بینی هیدرولوژیکی بارش­-­رواناب و درنتیجه پیش­بینی جریان، توسط تعدادی از محققان انجام شده که نشان می دهد نسبت به مدل­های  پیش­بینی رواناب که از پیش­بینی کمی بارندگی استفاده نکرده­اند، نتایج بهتری حاصل شده است (Guolei, et. al., 2010 ). کنکاش در مورد پیش­بینی بارش معمولاً در مناطق با توپوگرافی پیچیده به شدت افزایش می­یابد و پیش­بینی کمی بارش در مناطق پر باران که همواره در معرض وقوع سیلاب می­باشند اهمیت فوق‌العاده‌ای پیدا می­کند. پیش­بینی کمی بارش برای طرح‌های منابع آبی و سیل­های ویرانگر، وابسته به دقت پیش­بینی­هایی است که توسط مدل­های هواشناسی انجام می­شود. اما مدل­های هواشناسی برای پیش­بینی کمیت ها (بارش، دما ...) همواره دچار خطای سامانمند و عدم قطعیت در نتایج حاصله می­باشند، به دلایل مختلف از جمله ناپیوستگی بارش در زمان و مکان ، خطای پیش­بینی کمیت بارش از دیگر پارامترها مثل دما بیشتر است.( Kalnay, 2003) تعدادی از محققین کشورمان در این رابطه پژوهش‌هایی انجام داده­اند که به طور اجمالی به برخی اشاره می­کنیم. تقی زاده در پایان نامه کارشناسی ارشد خود در سال 1389، به بررسی عملکرد مدل­های منطقه ای HRM[4] ، [5]MM5 و WRF برای پیش­بینی بارش روی ایران پرداخته است. نتایج نشان داد با افزایش سن پیش­بینی دقت پیش‌بینی­ها کاهش پیدا کرده است. همچنین دقت پیش­بینی سه مدل در حالت­های بررسی شده به هم نزدیک بوده است، این موضوع از لحاظ توزیع مکانی نیز اختلاف قابل توجهی را نشان نداده است. شباهت رفتار سه مدل به گونه‌ای است که کمیت اریبی تقریباً برای سه مدل، با هم، در یک آستانه بارش و یا یک منطقه نسبت به دیگر آستانه­ها یا مناطق بیشینه یا کمینه می­شود در کل سه مدل کارایی مشابهی داشته­اند، هر چند می توان به برتری مدل WRF به ویژه در زمان رخداد بارش و همین طور تا حدودی مهارت و ارزش اقتصادی بالاتر آن توجه کرد. شیر غلامی در سال 1388 در پایان نامه کارشناسی ارشد خود، برونداد مدل WRFبرای بارندگی روی ایران را پس پردازش کرد. ایشان بارش­های 24 ساعته برونداد مدل WRF برای 205 ایستگاه همدیدی کشور را با استفاده از روش میانگین لغزان و برآورد­کننده­ی بهینه ساده مورد پس پردازش قرار داد. از عواملی که در نتایج به­دست آمده در این پژوهش موثر بوده است، طول دوره آموزش مناسب می­باشد. به طور کلی نتایج نشان می دهد که روش­های پس پردازش مورد استفاده توانسته است، خطای سامانمند موجود در برونداد مدل را کاهش دهد. به طوری که میانگین خطای مطلق بارندگی، به طور میانگین در حدود 20 درصد کاهش یافته است. بنابراین استفاده از پس پردازش برای پیش­بینی بارش مدل­ها مفید و ضروری می باشد. محاسبه برخی شاخص­های راست­آزمایی متداول مانند اریبی، میانگین خطای مطلق و امتیاز مهارتی متناظر با آن نشان می­دهد که هر دو روش پس پردازش میانگین لغزان و برآورد کننده بهینه ساده به طور قطع خطای برونداد مدل را بهبود می­بخشند. همچنین نتایج به­دست آمده از این شاخص­ها نشان می­دهد که روش پس پردازش میانگین لغزان نسبت به روش برآورد کننده­ی بهینه ساده، خطای پیش­بین ی مدل را بیشتر کاهش می­دهد. طی تحقیق دیگر کفاش­زاده در سال 89 به بررسی پیش­بینی­های احتمالی بارش واسنجیده با استفاده از یک سامانه همادی WRF-MM5  در ایران پرداخته است. در این تحقیق نتیجه شد که در اغلب اوقات پیش­بینی سامانه، برآوردی اضافی­تر از مقدار دیدبانی داشته است. پس واسنجی­کردن پیش­بینی، قبل از صدور پیش­بینی احتمالی امری ضروری است. به طور کلی نتایج این پژوهش نشان می­دهد که واسنجی به روش بافت­نگار رتبه­ای توانسته است خطای سامانمند موجود در برونداد خام مدل را کاهش دهد. اما این نتایج نسبت به نتایج کار های مشابه چشم­گیر نمی باشد. واشانی،1388 در رساله  خود با پس پردازش برونداد یک سامانه همادی برای کمیت بارش با استفاده از روش شبکه عصبی مصنوعی و راست­آزمایی برونداد این سامانه روی منطقه شمال ایران نشان داد که شبکه عصبی مصنوعی و روش همیل و کلوچی به عنوان یک روش پس­پردازش به خوبی خطای سامانمند مدل­های پیش­بینی عددی وضع هوا را کاهش می­دهند. وی همچنین نشان داده است که روش شبکه عصبی مصنوعی بهتر از روش همیل و کلوچی خطای سامانمند مدل را از بین می­برد. اهمیت بارش­های رگباری برای تولید سیلاب موضوع واضح و غیرقابل انکار است. بنابراین شبیه­سازی  بارش­های رگباری توسط مدل های پیش­بینی عددی جو و سپس پیش­بینی اینگونه بارش­ها از مسائلی است که می­تواند راهکارهای مناسب جهت پیش‌بینی سیلاب ارائه دهد. قندهاری وهمکاران 1385، به بررسی و امکان شبیه­سازی بارش های رگباری شدید حاصل از سلول های همرفتی با استفاده از مدل MM5 پرداخته­اند. بر اساس تحقیقات انجام شده نتایج مشاهده شده مدل به خوبی این بارش­ها را شبیه­سازی نمود. بررسی مقدار کمینه وبیشینه بارش پیش­بینی شده توسط مدل و مقایسه آن با دیدبانی ها نشان می­دهد که کیفیت نتایج تولید شده مناسب می­باشد. در نتیجه می توان گفت با امکان پیش­بینی بارش توسط مدل های پیش­بینی عددی جو و حصول نتایج حدوداً قابل قبول می توان از این پیش­بینی ها برای پیش­بینی­های هیدرولوژیکی استفاده کرد. تحقیقات وسیعی در مورد پیش­بینی سیل و رواناب صورت گرفته است . این مطالعات با روش های متعددی انجام شده است. با توجه به ضرورت پیش­بینی­های هیدرولوژیکی و پیشرفت پیش­بینی­های عددی جوی تلفیق این دو پیش­بینی می تواند راهکار مناسبی برای پیش­بینی­های زمان واقعی باشد. در این زمینه پژوهش­هایی در سطح جهان صورت گرفته است که به اختصار به چند مورد از این مطالعات  اشاره شده است . در سال 2005 Barthholmes و همکاران طی مطالعه­ای  به بررسی نتایج جفت کردن مدل های هواشناسی و مدل های هیدرولوژیکی توزیعی بر روی رودخانه پو [6] واقع در شمال ایتالیا با مساحت 37000 کیلومتر مربع پرداختند. آنها در این کار از مدل هیدرولوژیکی توزیعی  TOPKAPI [7] و مدل های هواشناسی اروپایی ECMWF[8] با تفکیک مکانی °85/1° *85/1  و مدل های منطقه محدود  DWDو  DMI با تفکیک مکانی°625/0 ×°625/0استفاده کرده­اند. دراین مطالعه با جفت کردن مدل هواشناسی ECMWF و مدل فیزیکی TOPKAPI زمان هشدارسیل افزایش ­یافته است. البته قابل­ذکر است که نتایج مدل های مختلف هواشناسی بکار رفته در این مطالعه تفاوت های زیادی داشته است اما به طور کلی نتایج این تحقیق دلگرم کننده بوده است ولی از لحاظ پیش­بینی کمی سیل هنوز نتیجه مطلوب دست نیافته است. در مطالعه­ای دیگر توسط Collischonn وهمکاران در سال 2005 با استفاده از بارش مشاهده شده و پیش­بینی شده توسط مدل های عددی جو و شبیه سازی بارش­-رواناب به پیش­بینی جریان رودخانه پرداخته­اند. این تحقیق بر روی رودخانه اوروگوئه که یکی از شاخه­های اصلی حوضه آبریز رودخانه لاپلاتا است، صورت گرفته­است. پیش­بینی­ها برای یک دوره 167 روزه و یک واقعه سیل انجام شده است . در این مطالعه از بارش پیش­بینی شده با سه تفکیک مکانی استفاده شده است. مدل بکار رفته در این تحقیق توسط کالیسچن و توچی مبنی بر تصاویر ماهواره­ای، نقشه های ارتفاعی و رقومی زمین ، پوشش گیاهی زمین و شکل خاک طراحی شده است، که شبیه مدل LARSIM وVIC-2L  می­باشد. مقادیر پیش­بینی شده بارش از مدل منطقه­ای ARPS استخراج شده است، که با سه تفکیک مکانی 40، 12، 4 کیلومتر اجرا شده است. با وجود اینکه در طول وقوع سیل مقدار بارش کمتر از میزان واقعی برآورد شده است اما اوج جریان خیلی­خوب و با زمان انتظار 10 ساعت پیش­بینی شده است. پیش­بینی جریان با استفاده از بارش پیش­بینی شده بهتر از زمانی که بارش ساعات آینده را نداریم انجام ­شده است. اما در طول دوره پیوسته اینگونه نبوده است و این نتیجه غیره منتظره ممکن است به دلیل خشک بودن دوره پیوسته باشد، چنانچه در دوره­تر نتایج عکس بوده است. البته خطای زمانی پیش­بینی بارش را می‌توان دلیل دیگری دانست که بعد از اوج هیدروگراف مقدار جریان پیش­بینی شده بالاتر از مقدار واقعی بوده است.

سال 2007 Collischonn وهمکارانش روشی برای پیش­بینی جریان مبنی بر بارش پیش­بینی شده و بارش مشاهده شده استفاده کردند. که بارش را از مدلEta  پیش‌بینی کردند و برای تخمین جریان از مدل هیدرولوژیکی MGB –IPH استفاده کردند. پیش­بینی برای دوره 2 ساله با فواصل زمانی یک هفته­ای بر روی قسمتی از رودخانه بین دو مخزن که قسمت مهمی از نیروی برق آبی برزیل را تامین می کند انجام گرفته است. پیش­بینی جریان روزانه از چهارشنبه هر هفته تا یکشنبه هفته بعد با زمان انتظار 12 ساعته صادر می شد. در ابتدا کیفیت پیش­بینی‌ها با مقایسه آنها با جریان مشاهده شده در یک روز ارزیابی شد. در چهار روز اول پیش­بینی ها بسیار خوب بود و ضریب نش- ساتکلیف[9] بالاتر از 9/0 و برای روزهای 6 تا 12 این ضریب در حدود 83/0 پایدار بود . همچنین به وضوح مشخص شد که به روز رسانی مدل یک اثر مثبت روی پیش­بینی انجام شده دارد. به گونه­ای که در روز اول پیش‌بینی که از بارش مشاهداتی استفاده شد با افزایش ضریب نش- ساتکلیف از 9/0 در طول دوره واسنجی به 98/0 در دوره پیش­بینی رسیده است. همانطور که انتظار می‌رود، پیش­بینی‌ها بر اساس بارش مشاهده شده بهتر از پیش­بینی ها بر اساس بارش پیش­بینی شده است اما نمی‌توان از آنها برای اجرای عملیاتی پیش­بینی جریان در طول دوره میان مدت چندین روزه استفاده کرد زیرا مقدار مشاهداتی بارشی که جریان را تولید می­کند در دسترس نمی باشد. بنابراین در پیش­بینی عملیاتی از بارش پیش­بینی شده استفاده کردند. از نتایج دیگر این تحقیق مقایسه پیش‌بینی‌های میانگین هفت­روزه دبی و نتایج حاصل از اجرای مدل خود­همبسته که از بارش استفاده نشده است، با مقادیر واقعی جریان می باشد و به وضوح مشخص شد که مدل MGB–IPH عملکرد بهتری نسبت به مدل خود‌همبسته داشته است.

Guolei و همکاران (2010)، یک مدل(ARMA)[10] پیش بینی جریان آب رودخانه را با استفاده از پیش­بینی کمی بارندگی از خروجی مدلGFS میان مدت (10 روزه) طراحی کردند. نتایج در مقابل مدل پیش­بینی جریان خودهمبسته (AR)[11] کاهشی در حدود 15 درصد در متوسط مطلق خطاها (ABE)[12] را نشان می­دهد. Zhang و همکاران (2009) ،با استفاده از پیش­بینی کمی بارندگی(QPF) و ترکیب آن با شبکه عصبی جریان را پیش­بینی کردند. نتایج این پژوهش حاکی از آن است که زمان انتظار (هشدار) پیش­بینی طولانی شده است و بعلاوه دقت نتایج پیش­بینی نسبت به مدل های سنتی ARMA بسیار بهتر شده است. در زمینه پیش­بینی رواناب و سیل در ایران نیز کارهایی انجام شده که در ذیل به ذکر برخی می پردازیم، قابل­ذکر است که تحقیق در زمینه پیش­بینی رواناب با استفاده از پیش­بینی کمی بارش در ایران بسیار معدود ومحدود بوده است. کمالی و همکاران (1387)، طی پروژه­ای به پیش­بینی سیلاب های حوضه کارون بزرگ و تهیه سامانه ای به منظور برآورد پارامتر های اصلی سیل؛ نظیر دبی لحظه­ای، پیک سیلاب، زمان وقوع و حجم سیلاب پرداخته اند. اساس پیش بینی و هشدار سیل در مدل تهیه شده نتایج حاصل از پیش­بینی عددی وضع هوا در 102 ساعت آینده توسط مدل MM5 می­باشد. مدل تهیه شده اطلاعات موجود را دریافت و پردازش می­نماید، نتایج برای 102 ساعت آینده با گام های زمانی 3 ساعت ارائه می­گردد. خطای پیش­بینی دبی پیک سیلاب­ها بین ٪35- ٪9 و خطای پیش­بینی حجم هیدروگراف بین ٪26- ٪8  و در مورد زمان وقوع سیل بین 30 دقیقه تا 6 ساعت می­باشد. در این مدل پیش­بینی سیل با وجود عدم بکارگیری داده­های بهنگام ایستگاه­های اندازه­گیری در زمان سیلاب خطای پیش­بینی دبی اوج با تجربیات کمتر از 15درصد برآورد می‌گردد. به این ترتیب می­توان گفت سیستم موجود در دوره سیستم های کاملاً قابل قبول نیست.

در مورد شبیه­سازی­های دبی با توجه به مطالبی که در بالا ذکر شد می توان به این نتیجه رسید که استفاده از پیش‌بینی کمی بارندگی در پیش­بینی رواناب  در برخی جنبه‌ها نظیر افزایش زمان انتظار رواناب یا سیل ممکن است، مفید واقع شود. از آنجا که اخیرا ولو در سطح پژوهشی در ایران امکان استفاده از برونداد مدل های پیش­بینی عددی وضع هوا وجود دارد ، لذا استفاده از پیش­بینی کمی بارندگی این مدل ها در مدل های هیدرولوژیکی و ارزیابی نتایج حاصل از آنها  یکی از ضرورت های انجام این تحقیق می‌باشد.

 

مواد و روش ها

معرفی منطقه مورد مطالعه

حوضه آبریز خلیج فارس و دریای عمان حدود 437150کیلومتر مربع مساحت دارد. این حوضه شامل حوضه های آبریز بزرگی همچون کارون، دز، کرخه، زاب سیروان و غیره می باشد . حوضه آبریز دز با مساحتی بالغ بر 21,463 کیلومتر مربع از شمال شرقی استان لرستان و جنوب غربی استان مرکزی شروع شده و تا شمال شهر اهواز امتداد دارد که از آنجا به رودخانه کارون می پیوندد. در این پژوهش به مطالعه دو زیر حوضه تیره و ماربر که از زیر حوضه های این حوضه آبریز بزرگ می باشند پرداخته شده است. شکل (1) موقعیت حوضه دز نسبت به ایران و شکل (2) موقعیت دو زیر حوضه تیره و ماربره را نسبت به حوضه دز نشان داده است. موقعیت ایستگاه های آب­سنجی و باران­سنجی منطقه به ترتیب در شکل­های 3 و 4 نشان داده شده است.


 

 

شکل شماره 1- موقعیت حوضه دز نسبت به ایران

 

 

شکل شماره 2- موقعیت زیرحوضه­های آبریز تیره و ماربر

 

 

 

شکل شماره 3- موقعیت ایستگاه‌های آب­سنجی حوضه

 

شکل شماره 4- موقعیت ایستگاه‌های باران‌سنجی حوضه

 

 

روش انجام کار

به رغم اهمیت سیل و خسارت­های ناشی از آن و همچنین اهمیت موضوع مدیریت منابع آب در کشور، آمار و اطلاعات لازم از جمله دبی ساعتی و بارش ساعتی بسیار ناقص بوده و پراکنده می باشد. در واقع امکان طراحی یک هیدروگراف واحد و هیتوگراف واحد مطمئن برای هر ایستگاه یا منطقه وجود ندارد.  با این حال  این پژوهش با استفاده از داده­های موجود به انجام رسید. به منظور انجام این تحقیق مجموعه آمار و داده­های زیر مورد نیاز بودند.

1-   هیدروگراف مشاهده­ای سیلاب ها در محل ایستگاه­های هیدرومتری

2-   آمار روزانه بارش در محل ایستگاه­های باران­سنجی جهت تحلیل مکانی و محاسبه مقادیر متوسط بارش زیر حوضه ها

3-   آمار ساعتی بارش در محل ایستگاه­های باران­نگاری جهت برآورد توزیع زمانی متوسط بارش هریک از زیر حوضه ها

4-   نقشه های پوشش گیاهی و ارزیابی اراضی خاک و توپوگرافی منطقه مورد مطالعه

در ایستگاه های هیدرومتری آمار رواناب به صورت ساعتی موجود است. مقادیر بارش روزانه از ایستگاه­های باران سنجی وزارت نیرو و سازمان هواشناسی و آمار ساعتی بارش از ایستگاه های باران نگاری جمع آوری شد. پس از تهیه داده­های فوق با بررسی آمار رویدادهایی که بارش ساعتی مولد آنها موجود بود، به عنوان رویداد­هایی مورد استفاده در واسنجی مدل HEC-HMS انتخاب گردید. با بررسی توپوگرافی و ارزیابی خاک و پوشش گیاهی منطقه، داده­ها و اطلاعات اولیه مورد نیاز اجرای مدل HEC-HMS برآورد گردید، سپس با ورود داده های بارش ساعتی و روزانه و آمار سیلاب­های منتخب به مدل هر کدام از رویدادها شبیه­سازی گردید. در این بررسی برای برآورد تلفات بارش از روش شماره منحنی و برای تبدیل بارش به رواناب از مدل تجربی هیدروگراف واحد مصنوعی اشنایدر استفاده شد. برای برآورد جریان پایه از مدل فروکش نمایی استفاده کرده­ایم. همچنین در تجزیه وتحلیل داده­های بارش از وزن­دهی باران­سنج به روش معکوس فاصله بهره­گرفته شد. پس از آماده­سازی مدل با تغییر در پارامترهای مدل سعی می­شود تا هیدروگراف شبیه­سازی مدل تطابق کافی با هیدروگراف مشاهده­ای داشته باشد. تعیین برخی از پارامترهایی مانند زمان تاخیر، شماره منحنی یا تلفات بارش، بوسیله مشاهدات یا اندازه­گیری خصوصیات حوضه یا آبراهه­ها قابل تخمین زدن بود. پس از واسنجی مدل و بدست آوردن پارامترهای بهینه، راست­آزمایی مدل توسط تعدادی از وقایع که در واسنجی از آنها استفاده نشده بود انجام گرفت. جهت راست­آزمایی مدل بارش- رواناب از بارش پیش­بینی شده توسط مدل هواشناسی WRF با تفکیک زمانی 1 ساعت و تفکیک مکانی 10 کیلومتر استفاده گردید. بارش شبیه سازی شده به عنوان مولفه ورودی به مدل HMS وارد و رواناب پیش­بینی گردید. رواناب پیش­بینی شده مورد بررسی قرار گرفت. در بخش بعد به بررسی نتایج حاصل از پژوهش پرداخته  شده است.

معرفی مدل WRF

مدل WRF یک سامانه پیش‌بینی عددی وضع هوا (NWP) و شبیه‌سازی جوّ است که برای کاربردهای پژوهشی و عملیاتی طراحی شده است. توسعه و گسترش این مدل تبدیل به یک تلاش همگانی برای ایجاد یک مدل پیش­بینی میان­مقیاس و نیز ایجاد یک سامانه داده­گواری شده است تا فهم و پیش­بینی وضعیت جوّی را گسترش داده و نیز پیشرفت­های تحقیقاتی را تسریع کند. طرحواره­های انتخاب شده برای فیزیک مدل به قرار زیر می­باشد.

- طرحواره خرد فیزیک                                                                                               WSM 3-class simple ice scheme

- طرحواره همرفت                                                              Kain-Fritsch (new Eta) scheme      

- طرحواره لایه مرزی                                                                                   YSU scheme

- طرحواره تابش موج بلند                                                                          RRTM scheme

- طرحواره تابش موج کوتاه                                                                        Dudhia scheme

- طرحواره سطح زمین                                                      Unified Noah land-surface model

- طرحواره لایه سطحی                                                                 Monin-Obukhov scheme                

 

معرفی مدل HEC-HMS

جهت بکارگیری روش‌ها و محاسباتی که در تحلیل بارش-رواناب انجام می­شود، نرم افزارهایی ارائه شده که هر یک دارای قابلیت محاسبه بخش­های از این محاسبات است. سامانه مدل­سازی هیدرولوژیکیHMS  HEC- برای شبیه‌سازی فرآیند های بارش- رواناب در حوضه های آبریز دندریتی[13] طراحی شده است. این مدل برای کاربرد در محدوده وسیعی از نواحی جغرافیایی جهت حل مسائل مختلفی شامل منابع آب و هیدرولوژی، سیل­های بزرگ و رواناب حوضه­های آبریز طبیعی یا شهری کوچک طراحی شده است. هیدروگراف­های تولید شده توسط این مدل بطور مستقیم یا در تلفیق با نرم افزار های دیگر برای مطالعات و پروژه های آبی از جمله منابع آب، زهکشی شهری، پیش­بینی جریان تاثیر شهرسازی­های آینده طراحی سرریز مخزن، کاهش خسارات سیل، مدیریت سیلاب­دشت و بهره­برداری از سامانه منابع آب به­کار می­رود. مدل HEC-HMS  نسل جدید مدل HEC-1 است که تحت سیستم عامل ویندوز  قابل اجرا بوده و از سیستم ارتباط گرافیکی پیشرفته­ای بهره می­جوید. این مدل حاصل تلاش­های مرکز مهندسی هیدرولوژی مؤسسه تحقیقات آب­هنگ مهندسی ارتش ایالات متحده آمریکا است. در این مدل، شبیه سازی بارش- رواناب به­صورت سیستمی انجام می شود. یعنی حوضه سیستمی است که اجزای آن در ارتباطات درونی هستند و هر جز از مدل یک جنبه از فرایند بارش – رواناب را در یک زیر حوضه یا زیر ناحیه شبیه­سازی می کند. به‌طور کلی این مدل دارای سه بخش اصلی می باشد، که عبارتند از : بخش شبیه­ساز اجزا حوضه، بخش تجزیه و تحلیل داده­های هواشناسی، بخش مشخصه­های کنترلی. هر کدام از این اجزا نیز به نوبه خود به بخش­های دیگری تقسیم می­شوند.


بحث و نتایج

واسنجی مدل برای رویدادهای 14 بهمن 1371، 2 تا 3 اسفند 1371، 14 تا 15 اسفند 1371 و رویداد 3 تا 7 اردیبهشت 1372، با وجود کنترل­هایی که بر روی داده های بارش وسیل صورت گرفت، به علت وضعیت داده ها نتایج مناسبی ارائه نداد لذا این­ سیل­ها از فهرست رویدادهای منتخب حذف شدند. از آمار واطلاعات رویدادهای هجده آذر 1390، پنج تا هفتم اسفند 1370، 17 تا 18 اسفند 1371 و 20 فروردین 1372 برای واسنجی مدل بهره گرفته شد. نتایج واسنجی در جدول (1) آورده شده است. با توجه به نتایج بدست آمده واسنجی مدل قابل قبول می باشد. بنابراین با انتخاب رویدادهای اول تا هفتم اردیبهشت 1382 و بیست تا بیست و چهار اسفند 1383 و پنجم تا ششم اردیبهشت 1383به پیش­بینی رواناب پراداخته شد. ‌همان گونه که در بخش قبل اشاره گردید، برای پیش­بینی بارش از مدل WRF استفاده گردید، که در شکل 5 تفکیک مکانی اعمال شده توسط مدلWRF  روی منطقه نشان داده شده است.


جدول 1- نتایج واسنجی مدل HMS

سنجه آماری

هیجده آذر 1390

پنج تا هفتم اسفند 1370

17 تا 18 اسفند 1371

20 فروردین 1372

میانگین خطای پیش­بینی (اریبی) (متر مکعب برثانیه)

6/0

1-

6/11-

2/0

میانگین خطای مطلق (متر مکعب بر ثانیه)

8/0

7/5

2/21

9/0

قدر مطلق خطای نسبی دبی اوج

8/0

8/0

6/8

24/0

قدر مطلق خطای نسبی حجم

1/3

2/2

8/5

2/0

اختلاف­زمانی بین دبی اوج مشاهده شده و شبیه سازی شده (ساعت)

1

12

7

5

 

 

شکل5 - شبکه باران­سنجی اعمال شده توسط مدل WRF روی حوضه

 

 

با اعمال بارش پیش­بینی شده توسط WRF به مدل HMS و پیش­بینی رواناب نتایج آن در شکل­های 6 و 7 و جدول 2 آمده است. برای مقایسه نتایج از سنجه­های آماری میانگین خطای پیش­بینی (اریبی)، میانگین خطای مطلق و قدر مطلق خطای نسبی دبی اوج و حجم برای برآورد میزان خطای مدل در راست­آزمایی رویداد استفاده شده است. نتایج بدست آمده از پیش­بینی رواناب توسط مدل HMS با استفاده از بارش مدل WRF نشان می دهد که اریبی بدست آمده در همه رویداد­ها منفی بوده که نشان دهنده این موضوع است که، مقادیر رواناب پیش­بینی شده کمتر از مقادیر مشاهده ای آن می باشد. کمترین میانگین خطای مطلق پیش­بینی در رویداد اردیبهشت 1383 می باشد، که مقدار آن 13 متر مکعب بر ثانیه و بیشترین مقدار آن 76 متر مکعب بر ثانیه ، مربوط به رویداد اسفند 1383 می باشد. این کمیت برای رویداد اردیبهشت 1382 برابر 23 متر مکعب بر ثانیه است. قدر مطلق خطای نسبی دبی اوج برای سه رویداد اردیبهشت 1382 و 1383 و اسفند 1383 به ترتیب 13/16 و 22/1 و 4/41 می باشد، قدر مطلق خطای نسبی حجم به ترتیب 48/15، 94/18 و 7/39 بوده است.

باتوجه به نتایج بدست آمده می توان گفت تلفیق دو مدل ذکر شده در پیش­بینی رواناب در فصل بهار نتایج بهتری را کسب کرده است، نتایج رویداد اسفند 1383 چشمگیر نبوده است.

 

 

 

جدول شماره 2- نتایج راست آزمایی مدل HMS

سنجه آماری

7-1/2/1382

24-20/12/1383

6-5/2/1383

میانگین خطای پیش­بینی (اریبی) (متر مکعب برثانیه)

1/12-

9/74-

13-

میانگین خطای مطلق (متر مکعب بر ثانیه)

23

76

13

قدر مطلق خطای نسبی دبی اوج

13/16

4/41

22/1

قدر مطلق خطای نسبی حجم

48/15

7/39

94/18

اختلاف­زمانی بین دبی اوج مشاهده شده و شبیه سازی شده (ساعت)

5

6

3

 

 

 

شکل6- خروجی مدل HMS‌ حاصل از بکارگیری بارش پیش­بینی شده توسط مدل WRF برای رویداد اسفند 1383

 

 

 

شکل 7- برونداد مدل HMS‌حاصل از بکارگیری بارش پیش­بینی شده توسط مدل WRF برای رویداد اردیبهشت 1382

 

 

شکل 8- خروجی مدل HMS‌ حاصل از بکارگیری بارش پیش­بینی شده توسط مدل WRF برای رویداد اردیبهشت 1383

 

نتیجه گیری

از بررسی انجام گرفته می­توان این نتیجه را گرفت که تلفیق دو مدل هواشناسی WRF و مدل شبیه­سازی بارش-رواناب HEC-HMS می‌تواند راهکار مناسبی جهت افزایش زمان هشدار پیش­بینی، پیش­بینی مناسب دبی اوج و حجم رواناب در فصل بهار باشد. قابل ذکر است که نتایج از لحاظ پیش­بینی کمی سیل هنوز به نتیجه مطلوب دست نیافته است اما به طورکلی نتایج دلگرم کننده بود. برای بهبود نتایج نیاز به آمار ثبت شده پیوسته و جامع­تر می­باشد، که لزوماً همکاری سازمان ها و ادارات ذیربط را می­طلبد. همچنین واسنجی مدل های هواشناسی برای حوضه های آبریز مختلف و به روز رسانی اطلاعات و داده­های مورد نیاز مانند اطلاعات پوشش گیاهی و ارزیابی خاک مطمئناً باعث افزایش دقت پیش­بینی­ها می­شود. با توجه به پیشرفت پیش­بینی­های احتمالی و گسترش روز به روز این نوع پیش‌بینی، استفاده از این نوع پیش­بینی در تلفیق مدل­های هیدرولوژیکی و جوی می­تواند مورد بررسی قرار گیرد. استفاده کاربردی از چنین طرح هایی راهکار مناسبی جهت مدیریت منابع آب و کاهش خسارات ناشی از سیل­ها می‌شود. این نکته شایان ذکر می باشد که نتایج، مربوط به موارد بررسی شده می باشد و تعمیم نتایج منوط به بررسی‌های بیشتر در این زمینه می باشد.

این مقاله قسمتی از پایان نامه کارشناسی ارشد هواشناسی با عنوان، پیش­بینی رواناب حوضه آبریز تیره و ماربر با استفاده از پیش بینی کمی بارش  خروجی  مدل‌های WRF وMM5 و مدل­های رگرسیون می باشد.

 



1. Quantitative Precipitation Forecast ing (QPF)

3. Lead Time

5. Numerical Weather Prediction (NWP)

4. High-resolution Regional Model

[5] - Mesoscale  Model 5 

 

 

 

[9] Nash- Sutcliffe

[10] Auto-Regressive Moving Average

[11] - Auto-Regressive

[12] - Absolute Errors

[13] - Dendritic

  1. Barthholmes, j., Todini, E., 2005, Coupling meteorological and hydrological models for flood forecasting. Hydrology and Earth system sciences, No. 9 (4), pp. 333-346.
  2. 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, No. 344, pp.112–122.
  3. 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, No. 305, pp.87–98.
  4. Eckel, F.A. , K.Walters, 1998, Calibrated Probabilistic Quantitative Precipitation Forecast Based on the MRF Ensemble, Weather and Forecasting, No.13, pp.1132-1147.
  5. Green, C.H., D.J. Parker, and S.M. Tunstall, 2000, Assessment of Flood Control and Management.
  6. Guolei ,T., Huicheng  , Zh .,  Ningning , L., Feng , W .,  Yajun , W ., &  Deping , J., 2010, Value of Medium-range Precipitation Forecasts in Inflow Prediction and Hydropower Optimization, Water Resource Management, No. 24,pp.2721–2742.
  7. Haydari, A.Emami,K. Barkhordar,M. Taghikhan,Sh.Moradifalah, Sh. Sadatmiri, M.,2006, Flood forecast and warning guiding, IRNCID ,Tehran.
  8. 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, Tehran.
  9. Kafashzadeh, N, 2010, Probabality forecasting of precipitation of WRF- MM5 model measured by an ensemble system in Iran, M.Sc.on Meteorology, Hormozgan University, Bandar Abbas.
  10. Kalnay, E., 2003, Atmospheric modeling, data assimilation and predictability, Published in the Uinited State of American by Cambridge University Press, New Yourk.
  11. Kamali, Gh., 2008, Study of flood forecasting and flood warning systems in great Karoun basin, ASMERC, Tehran.
  12. krysztofwicz, R., 1995, Recent advances associated with flood forecast and warning systems. Ver. Geophys., 33 Suppl.
  13. Meshkatee, A. Farahani, M. Ghandhari, Sh., 2006, Study of capability of shower precipitation simulation resulted from convective cells using MM5 model and comparison of results, Conference on Numerical Weather Prediction, Iran Meteorological Organization, Tehran.
  14. Options. Cape Town, World Commission on Dams.
  15. Shirgholami, M.,  2009, Post processing of WRF model’s out put for precipitation in Iran, M.Sc. on Meteorology, Islamic Azad University, Science and Research branch. Department of Meteorology.
  16. Taghizadeh, E., 2010, Evaluation of regional models HRM, MM5 and WRF precipitation forecasts over Iran, M.Sc. on Meteorology ,Yazd University, Department of Physics.
  17. http://www.iranhydrology.com   
  18. http://geography-dept.falif.schir
  19. http://www.mmm.ucar.edu/wrf/users/docs/user_guide_V3/contents.html
  20. Vashani, S., 2010, Post processing of output of ensemble forecasting system for quantitative precipitation using artificial neural network and verification of output of this system in north of IRAN , Ph.D. Thesis on Meteorology, Islamic Azad University, Science and Research branch. Department of Meteorology.
  21. Zhang ,  J., Cheng ,  C ., Liao, S., Wu ,  X ., & Shen , J., 2009, Daily reservoir inflow forecasting combining QPF into ANNs model. Hydrology  Earth  System  Science,  No.9(6), pp. 121 – 150.