راستی آزمایی مدل پیش‌بینی و پژوهش وضع هوا (WRF) در پیش‌بینی بارشهای سنگین در حوضه کارون (مطالعه موردی: بارش 20 تا 21 بهمن 1384)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری هواشناسی، عضو هیات علمی (استادیار)پژوهشگاه ملی اقیانوس‌شناسی و علوم جوی

2 کارشناس ارشد فیزیک و کارشناس سازمان هواشناسی

چکیده

در این پژوهش خروجیهای مدل WRF برای بارشی که در منطقه‌ی کارون منجر به وقوع سیل شده است،  راستی‌آزمایی شدند.  داده‌های دیدبانی شده‌ی بارش و داده‌های ماهواره TRMM  برای راستی‌آزمایی و  داده‌های FNL به عنوان خروجی مدل استفاده شده‌اند. مدل با دو آشیانه با گام‌های شبکه‌ای 45 و15 کیلومتر، برای پیش بینی 24 و 48 ساعته اجرا شده است. به منظور بررسی صحت مدل پیش بینی عددی WRF، نتایج حاصل از آن با واقعیت از دو دیدگاه راستی آزمایی چشمی و آماری بررسی شدند. نتایج راستی آزمایی چشمی مدل، نشان داد که الگوی بارش و میزان آن در منطقه به درستی پیش‌بینی شده است. نتایج راستی‌آزمایی آماری در سه آستانه، وقوع یا عدم وقوع بارش؛ بارش متوسط و بارش سنگین در 24 ساعت اول و دوم ارزیابی شد. نتایج نشان می‌دهد که مدل در 24 ساعت اول و دوم در پیش بینی وقوع یا عدم وقوع بارش بسیار دقیق عمل کرده و نتایج نزدیک 100 درصد صحیح هستند.  برای آستانه‌ی دوم، دقت مدل در پیش بینی بارش بالا است ولی در 24 ساعت دوم دقت بالاتر بوده است، به گونه‌ای که در آستانه‌ی دوم و در 24 ساعت دوم تعداد مواردی که به درستی پیش‌بینی شده، بالا بوده است. همچنین، در آستانه‌ی دوم در 24 ساعت اول، مدل خشک بوده، بعبارت دیگر تعداد روزهایی که بارش اتفاق افتاده را کمتر پیش بینی نموده است. و در 24 ساعت دوم مدل تر بوده، یعنی تعداد روزهایی که بارش اتفاق رخ نداده، اما مدل پیش‌بینی نموده، بالا بوده است. و در آستانه‌ی سوم، در پیش بینی 24 ساعت اول دقت بالاتر است و در دو حالت، مدل تر بوده است. به عبارتی دیگر، برای آستانه‌ی سوم، دقت مدل در پیش بینی بارش‌های بسیار سنگین در منطقه متوسط بوده است. در نهایت نتایج نشان می‌دهند که در وقوع پیش بینی سیل در منطقه‌ی کارون نتایج مدل قابل اعتماد است.

کلیدواژه‌ها


عنوان مقاله [English]

Verification of the Weather Research and Forecasting Model (WRF) for the Heavy Precipitation Forecasting in the Karun basin. A case study ( 8-9 February 2006)

نویسندگان [English]

  • P. Ghafarian 1
  • S. M. Barekati 2
چکیده [English]

Introduction Accurate weather forecasting plays a key role in people daily life and agriculture. By using of numerical weather forecasting models could predict meteorological parameters, but the model outputs have errors which should be verified. Model errors are due to the random and systematic errors. The eyeball and statistical verification methods help us to evaluate model outputs accuracy. In February 2006, a heavy precipitation occurred in Karun basin that had a lot of economic damages. The purpose of this study is evaluating WRF model for forecasting Heavy Precipitation in Karun Basin. Material and Methods In this study, the precipitation data from synoptic stations and TRMM satellite is used. The boundary and initial conditions of model are FNL data. The WRF model outputs for a case of rainfall, which has been caused the flooding in the Karun region, with observation precipitation data were verified. The model has been run for 24 and 48 hours predictions with two nested of network steps of 15 and 45 km. To evaluate the accuracy of WRF numerical prediction model, the model results, were investigated with the reality of the eyeball verification and statistical points of view. Results and discussion The results of eyeball verification indicated that the precipitation pattern and its amount in the area are correctly predicted. The statistical verification results in three thresholds, the occurrence or absence of rainfall, average and heavy precipitation in the first and second 24 hours were evaluated. The results show that the model in the first and second 24 hours prediction of occurrence or absence of the rainfall is very precise and the accuracy of results is close to 100 percent. For the second threshold, the model accuracy in rainfall prediction is high but the accuracy was higher in the second 24 hours, so that in the second threshold and the second 24 hours, the number of cases correctly predicted is high. Also, in the second threshold in the first 24 hours, the model has been dry, in other words the number of days when precipitation has occurred, has been less than anticipated value. In the second 24 hours, the model has been wet, the number of days that the precipitation has not happened, but the model has predicted, is high. In the third threshold, the prediction accuracy is higher in the first 24 hours and in two cases, the model has been wet. In other words, for the third threshold, the model accuracy in predicting heavy rainfall has been in average value in the region. Finally, the results show that in the occurrence of the flood forecasting in Karun basin, the model is reliable. Conclusion In February 2006, a heavy and unprecedented precipitation occurred in Karun basin that had a lot of economic damages. In this study, the WRF model outputs for a case of rainfall, which has been caused the flooding in the Karun basin, with observation precipitation data were verified. The model has been run for 24 and 48 hours predictions with two nested of 15 and 45 km. To evaluate the accuracy of the WRF numerical prediction model, the model results, were investigated with the reality of the eyeball verification and statistical points of view.  Finally, the results show that in the occurrence of the flood forecasting in Karun basin, the model is reliable. Iran has a complex topography and accurate predicting of meteorological parameters especially precipitation and 2 meter temperature is very difficult. Although the model output is reliable, but using of the best model configuration and ensemble forecasting could improve the model outputs.    

کلیدواژه‌ها [English]

  • Verification
  • Flood Forecasting
  • Regional WRF Model
  • Precipitation Thresholds
  • Contingency table

مقدمه

تاثیر پیش­بینی صحیح وضع هوا در تمام جنبه­های زندگی عادی و روزمره اجتناب ناپذیر است. استفاده از مدل­های پیش­بینی عددی وضع هوا می­تواند به پیش­بینی هر چه صحیح­تر وضعیت هوا کمک کند. اما مدل­ها در پیش­بینی فراسنج­های جوی خطا دارند. عواملی همچون وجود نقص در پراکنش فرآیندهای فیزیکی، عدم توانایی مدل در شبیه­سازی موفق پدیده­های زیر شبکه­ای، استفاده از درونیابی نتایج مدل برای تعیین مقادیر مربوط به نقاطی که روی نقاط شبکه نیستند، توانا نبودن مدل در نمایش حقیقی پدیده­های کوهساری در سطوح پایین و اثر عوامل موضعی و محلی  می­توانند به ایجاد خطا در خروجی مدل منجر شود ( آزادی و همکاران، 1385). بنابراین خروجی­های مدل باید مورد ارزیابی قرار گیرد. راستی آزمایی[1] پیش­بینی وضع هوا حداقل از سال 1884 میلادی مطرح شده است، (Muller, 1994). منظوراز فرآیند راستی­آزمایی همان ارزیابی کیفیت پیش بینی­های جوی و اقیانوسی است که در آن نتایج فرآیند پیش بینی با دیدبانی متناظر مقایسه می­شود. از مهم­ترین اهداف راستی­آزمایی آن است که نتایج آن باید حاوی اطلاعات مفیدی باشد تا بتواند راه­کارهای جدیدی برای پیش­بینی بهتر ارائه دهد. تحلیل آماری راستی­آزمایی می­تواند در ارزیابی نقاط قوت و ضعف پیش بین و یا امر پیش بینی کمک کند. از نظر علمی، مورفی و همکاران (Murphy, 1988)،  راستی آزمایی را فرایابی راستی آزمایی نامیدند. در این دیدگاه می­توان به ارزیابی نقاط قوت و ضعف مجموعه­ای از شرایط و مراحل انجام پیش بینی نیز پرداخت، (Wilks, 1995). همچنین جولیف و استفنسن (Joliffe & Stephensons, 2003)، لیوزی (Livezey, 1995) ،  مورفی(Murphy, 1997)، مورفی و دان (Murphy & Daan , 1985)، و استانسکی و همکاران (Stanski et al, 1989) در زمینه­ی راستی آزمایی مدل­های پیش­بینی وضع هوا مطالعات گسترده­ای انجام داده­اند که نتایج کار آن ها منجر به گسترش این مبحث شده است. از نمونه کارهای انجام شده در خصوص راستی­آزمایی مدل WRF[2]، می­توان به مقایسه بین دو مدل MM5 و WRF در شبیه­سازی بارش­های سنگین حاره­ای در طی روزهای 9 تا 11 ژانویه­ی 2002 در سنگال اشاره نمود، (Fall et al., 2007). یک مطالعه موردی به منظور مقایسه خروجی های شبیه سازی شده مدل­های MM5 و WRF با مقادیر دیدبانی شده، در سال 2005 برای سیلاب سال 1993 غرب ایالات متحده آمریکا صورت گرفت. شایان ذکر است که توپوگرافی در اقلیم این منطقه نقش مهمی ایفا می کند. از مقایسه نتایج بدست آمده، مشاهده گردید که نتایج مدل WRF به مقادیر واقعی نزدیکتر است،  (Shing, 2005). در تایلند نیز تحقیق مشابهی در خصوص بارندگی تجمعی حاصل از مدل WRF انجام شد. اگرچه مقدار مدل بیشتر از مقادیر دیدبانی بدست آمد، اما بین مقادیر پیش بینی شده مدل برای کمینه ها و بیشینه ها همخوانی قابل قبولی با مقادیر واقعی وجود داشت، (Sukhumvit, 2006). در ایران نیز تحقیقاتی در این خصوص انجام شده است، که می­توان به کار آزادی و همکاران (1389)، اشاره نمود. نتایج کار آن­ها نشان داد که به­طور کلی با استفاده از کمیت­های بررسی شده در آستانه­های بارش کمتر یا مساوی 1/0 میلی­متر و بیشتر از 1/0 میلی­متر دو مدل MM5 و WRF رفتارهای وارون هم نشان داده­اند به­گونه­ای که برای آستانه بارش بسیار کم (1/0≥ میلی­متر) رفتار مدل MM5 و در آستانه­های بارش بیشتر از 1/0 میلی­متر رفتار مدل WRF پیش­بینی­های مثبت بیشتر است. هدف از این تحقیق راستی­آزمایی مدل عددی پیش­بینی عددی وضع هوا (WRF)، در پیش­بینی بارش سنگین است، تا صحت مدل برآورد شود تا در نهایت در صدور اخطاریه­های مربوط به سیل بتوان با اطمینان بیشتری از آن استفاده نمود.

 

داده­ها و روش­ها

داده­ها

از داده­های بارش ایستگاه­های سینوپتیکی و بارش­سنجی و داده­های بارش ماهواره­ی TRMM[3] با تفکیک مکانی 25/0 درجه برای صحت سنجی مدل استفاده شده است. داده­های وروی مدل­، داده­های FNL هستند. این داده­ها در واقع داده­های NCEP هستند که توسط لابراتوار منابع وابسته به NOAA مورد پردازش مجدد قرار گرفته است. این داده­ها با تفکیک افقی 1´1 درجه، برای 26 تراز فشاری ( 100- 1000 هکتوپاسکال) و با گام زمانی 6 ساعته از جولای 1999 در دسترس هستند، (Stunder B.J.B, 1997).

 

پیکربندی مدل

 در این تحقیق خروجی­های مدل عددی منطقه­ای پیش بینی عددی وضع هوا (WRF)، (Skamarock et al., 2008)  با داده­های دیدبانی بارش راستی­­آزمایی خواهد شد. دو آشیانه­ی تو در تو در نظر گرفته می­شوند. آشیانه­ی اول ناحیه­ای محدود به عرض جغرافیائی 10 و 51 درجه شمالی و طول جغرافیائی 20 و 80 درجه شرقی و آشیانه­ی دوم از عرض جغرافیائی 23 و 41 درجه شمالی و طول جغرافیائی 42 و 65 درجه شرقی است که ایران را پوشش می­دهد. تفکیک افقی آشیانه­ها به ترتیب 45 و 15 کیلومتر است. تعداد تراز های قائم27 تراز ، نگاشت مدل لامبرت است وکاربری زمین نیز از داده‌‎های mmm/users/wrfhelp/WPS_GEOG گرفته می شود. با مشخص شدن تعداد نقاط شبکه و موقعیت آشیانه ها نسبت به آشیانه مادر و نیز تنظیم تاریخ ابتدا و انتهای شبیه سازی، معرفی داده های شرایط اولیه و شرایط مرزی، فاصله زمانی پیش بینی و گام زمانی مدل، طرح واره های فیزیکی مورد استفاده برای پراسنجی فرایندهای فیزیکی، همرفت، لایه مرزی و تابش براساس مطالعات قبلی ( آزادی وهمکاران، 1389 )  به صورت زیر انتخاب می شوند:  طرحواره خردفیزیک: Lin et al. Scheme، - طرحواره همرفت: Kain_Fritsch ، طرحواره لایه مرزی: Mellor-Yamada-Janjic ، - طرحواره تابش موج بلند: RRTM[4]، - طرحواره تابش موج کوتاه: Goddard . در نهایت خروجی بارش تجمعی از مدل با داده­های دیدبانی بارش که از سازمان هواشناسی کشور (ایستگاه­های همدیدی و بارانسنجی) و داده­های بارش ماهواره TRMM ، راستی­آزمایی خواهد شد.  

 

راستی­آزمایی

راستی آزمایی چشمی

روش راستی آزمایی چشمی یکی از قدیمی­ترین و بهترین روش­های راستی آزمایی است. در این روش دیدبانی (واقعیت) با پیش­بینی توسط یک ناظر مشاهده می­شود و با استفاده از قضاوت انسانی میزان خطا تخمین زده می­شود. سری­های زمانی و نقشه­ها را با این روش می­توان راستی آزمایی نمود. این روش بسیار خوب است به شرطی که تعداد پیش­بینی­ها کم باشد یا این که زمان زیادی در اختیار داشته باشیم. این روش روشی کیفی است و بستگی به سلیقه­ی فرد ناظر دارد و در مواقع حساس باید احتیاط شود.

 

روش‌راستی‌آزمایی پیش­بینی دوحالتی(2 ×2)

منظور از فرآیند راست آزمایی همان ارزیابی کیفیت پیش بینی های هواشناسی است که در آن نتایج فرآیند پیش بینی با دیدبانی متناظر مقایسه می شود. برای انجام فرآیند راست آزمایی به تابع احتمال مشترک پیش بینی- دیدبانی نیاز داریم. ساده ترین راه برای راست آزمایی پیش‌بینی‌ها تشکیل جدول توافقی (2 × 2) است. با فرض اینکه پیش بینی و دیدبانی به ترتیب با y و o نشان داده شوند، این جدول را به شکل زیر تشکیل می دهیم:

 

جدول 1- جدول توافقی 2 × 2

 

o2

o1

 

a+b

b

a

y1

c+d

d

c

y2

n=a+b+c+d

b+d

a+c

 

 

که متغیرهای آن به ترتیب عبارتند از : o1 : تعداد دفعات وقوع پدیده، o2 : تعداد دفعات عدم وقوع پدیده، y1 : تعداد دفعات پیش بینی های پدیده، y2 : تعداد دفعاتی که پدیده پیش بینی نشده،  a : تعداد دفعاتی که پدیده اتفاق افتد و وقوع آن پیش بینی شده باشد،  b : تعداد دفعاتی که پدیده اتفاق نیفتد ولی وقوع آن پیش بینی شده باشد،  c : تعداد دفعاتی که پدیده اتفاق افتد ولی وقوع آن پیش بینی نشده باشد،  d : تعداد دفعاتی که پدیده اتفاق نیفتد و وقوع آن نیز پیش بینی نشده باشد. بدیهی است که برای یک پیش بینی خوب باید مقادیر a و d بزرگ و b و c کوچک باشند. هر چند جدول توافقی2 × 2 ساده ترین نوع پیش بینی را مشخص می کند ولی برای سنجش دقیق این نوع پیش بینی با این جدول به حداقل 3 کمیت عددی (برابر با بعد مساله) نیاز است؛ به بیان دیگر عملکرد پیش‌بینی را که در این جدول نهفته است، تنها با یک عدد نمی توان به طور کامل مشخص کرد. کمیت های نرده ای متعددی برای سنجش عملکرد پیش بینی با استفاده از این جدول ابداع شده‌اند که بسته به کاربرد اسامی مختلفی دارند.

 

برخی از کمیت­های نرده­ای وابسته به جدول توافقی 2 × 2

نسبت صحیح (PC):

یکی از شهودی ترین کمیت های نرده ای وابسته به جدول توافقی2 × 2 برای سنجش دقت پیش بینی ها «نسبت صحیح[5]» است که از نظر مفهومی نیز درک آن بسیار آسان است و برابر نسبت مجموع پیش بینی های صحیح به تعداد کل پیش بینی هاست و در نتیجه به صورت زیر تعریف می‌شود:

(1)                                      

چنانچه مشاهده می‌شود این کمیت برای پیش‌بینی‌ها و عدم پیش بینی های پدیده وزن یکسانی قایل می­شود و به همین دلیل ممکن است در برخی موارد سنجه مناسبی برای اندازه دقت پیش بینی نباشد.

 

امتیاز مهارتی(TS):

کمیت نرده ای دیگری که برای سنجش دقت به کار می‌رود امتیاز مهارتی(TS) است. مطابق تعریف مقدار این کمیت برابر است با نسبت تعداد مواردی که پدیده بدرستی پیش‌بینی شده است به مجموع تعداد مواردی که پدیده مورد نظر رخ داده یا پیش‌بینی شده است:

(2)                                        

مقدار آن نیز مشابه نسبت صحیح همواره بین صفر برای بدترین و یک برای بهترین حالت است. این کمیت مشابه نسبت صحیح است با این تفاوت که مواردی که پدیده رخ نداده و پیش‌بینی هم نشده (d) در نظر گرفته نشده است.

 

اریبی یا گرایست (B):

اریبی یا گرایست[6] مقدار انحراف میانگین پیش بینی از میانگین دیدبانی متناظر آن است. این کمیت هیچ آگاهی از این تناظرها به صورت جداگانه نمی‌دهد بلکه میانگین‌ها را با هم مقایسه می کند و به همین دلیل ممکن است در حالی که یک پیش بینی بسیار بد باشد اما از نظر اریبی بسیار خوب نشان دهد. طبق تعریف مقدار این کمیت از رابطه زیر به دست می آید:

(3)                                       

برای پیش‌بینی کامل مقدار B یک است. مقادیر بیشتر و کمتر از یک برای B نیز به ترتیب مربوط به حالت‌های over forecast وunder forecast  می شود.

 

نسبت هشدارهای نادرست (FAR)

این کمیت بنا به تعریف، نسبت تعداد پیش بینی های نادرست به تعداد کل پیش‌بینی‌های وقوع پدیده (کسری از پیش‌بینی‌ها که تحقق نیافته) است. بنابراین هر چه مقدار آن کوچک‌تر باشد بهتر است که برای بهترین حالت صفر و برای بدترین حالت یک می‌شود:

(4)                          

 

مطالعه­ی موردی

در روزهای 19 تا 21 بهمن 1384 در منطقه­ی کارون بارش سنگین و بی سابقه­ای گزارش شده است که موجب بروز سیل و خسارت در منطقه شده است. این بارش به علت حاکم بودن سامانه­ای همدیدی در منطقه به وقوع پیوسته است. به منظور بررسی صحت مدل پیش بینی عددی WRF، این مدل اجرا و نتایج حاصل از آن با واقعیت از دو دیدگاه راستی آزمایی چشمی و آماری بررسی شدند. برای راستی­آزمایی نتایج خروجی مدل با دیدبانی از 4 کمیت­ نرده­ای وابسته به جدول توافقی 2 × 2 استفاده نمودیم. راستی آزمایی برای 24 ساعت اول و 24 ساعت دوم (48 ساعت) پیش بینی با سه آستانه­ی متفاوت انجام شد. آستانه­ها با توجه به میانگین بارش متوسط منطقه کارون انتخاب گردید. آستانه­ی اول برای حالت وقوع یا عدم وقوع پیش بینی بارش مقدار 1/0 انتخاب گردید. به این منظور که آیا مدل قادر به پیش بینی درست وقوع یا عدم وقوع بارش است. آستانه­ی دوم با توجه به میانگین بارش منطقه در ماه فوریه (بهمن ماه) عدد 20 میلی متر تعیین شد. آستانه­ی سوم با توجه به این که این سامانه موجی ریزش بارش شدید در طی مدت 24 ساعت (به تناوب) در منطقه شده است، و در برخی ایستگاه­ها بارش بیش از 100 میلی متر گزارش شده، عدد 100 انتخاب شد، تا توانایی مدل در پیش بینی بارش خیلی سنگین مشخص گردد. در نهایت با توجه به مقادیر آستانه­ها جداول توافقی  2 × 2 تشکیل و کمیت­های نرده­ای نسبت صحیح (PC)، امتیاز مهارتی(TS)، اریبی یا گرایست (B) و نسبت هشدارهای نادرست(FAR) محاسبه و تحلیل شدند.

 

نتایج و بحث

در این بخش نتایج خروجی مدل با دیدبانی از دو دیدگاه راستی­آزمایی چشمی و آماری در پیش­بینی وقوع بارش سنگین در منطقه­ی کارون ارزیابی خواهد شد. راستی آزمایی چشمی برای بررسی الگوی همدیدی و الگوی بارش انجام خواهد شد.

 

راستی آزمایی چشمی فشار سطح متوسط دریا و ارتفاع ژئوپتانسیلی تراز 500 هکتوپاسکال

شکل­های 1 و 2 به ترتیب نتایج خروجی مدل ناشی از فشار متوسط سطح دریا و ارتفاع ژئوپتانسیلی تراز 500 هکتوپاسکال را نشان می­دهند. سمت راست خروجی مدل و سمت چپ واقعیت را نمایش می­دهد. همان گونه که از شکل ها نمایان است مدل در پیش بینی زبانه­های کم فشار و پرفشار بر منطقه از دقت مناسبی برخوردار است. همچنین پیش بینی ارتفاع تراز 500 هکتوپاسکالی نیز وجود ناوه­ای بر روی مدیترانه و عبور امواج آن را از منطقه­ی ایران را نمایش می­دهد. به طور کلی مدل الگوی همدیدی را به درستی پیش‌بینی نموده است.

 

 

 

الف

 

د

 

ب

 

هـ

 

ج

 

و

شکل 1: فشار متوسط سطح دریا بر حسب هکتوپاسکال، سمت چپ خروجی مدل و سمت راست واقعیت. الف و د) مورخ 8 فوریه 2006 (19 بهمن 1384)؛ ب و ه) مورخ 9 فوریه 2006 (20 بهمن 1384)؛ ج و و) مورخ 10 فوریه 2006 (21 بهمن 1384)، ساعت 0000UTC.

 

الف

 

د

 

ب

 

و

 

ج

 

ه

شکل 2: ارتفاع ژئوپتانسیلی تراز 500 هکتوپاسکال بر حسب ژئوپتانسیل متر ، سمت چپ خروجی مدل و سمت راست واقعیت.  الف و د) مورخ 8 فوریه 2006 (19 بهمن 1384)؛ ب و ه) مورخ 9 فوریه 2006 (20 بهمن 1384)؛ ج و و) مورخ 10 فوریه 2006 (21 بهمن 1384)، ساعت 0000UTC.

 

 

     

 

 

 

3-2 راستی آزمایی چشمی بارش

شکل 3 (الف و ب)،  پیش بینی 24 ساعته­ی بارش ناشی از خروجی مدل را نشان می­دهد. در 24 ساعت اول، در منطقه­ی کارون بارش سنگینی به وقوع پیوسته است. بیشینه­ی بارش در حدود 200 میلی متر نمایان است، که در مقایسه با نتایج بارش واقعی الگوی مناسبی را نمایش داده است. در این روز (19 بهمن 1384 ) در ایستگاه­هایی مانند کوهرنگ بیش از 150 میلی متر بارش گزارش شده است شکل (3-الف). در 24 ساعت دوم (20 بهمن 1384)، از میزان بارش بر روی غرب ایران و مرزهای غربی کاسته شده، اما بیشینه­ی بارش در منطقه­ی کارون افزایش یافته است و به میزان 220 میلی متر بر روی نقشه نمایان می­باشد. در این روز در ایستگاه­هایی مانند آورگان، فارسان، چمن گل، خفر و ... بارش بیش از 100 میلی متر گزارش شده است و این نشان از وقوع بارش بسیار سنگین در منطقه می­باشد که خروجی مدل، دقت مدل را در پیش بینی الگو و میزان بارش (کیفی و کمی) را نشان می­دهد شکل (3-ب).


 

 

 

 

الف

 

 

 

 

ب

 

 

شکل 4 (الف و ب)،  بارش تجمعی حاصل از ماهواره­ی TRMM را به ترتیب برای 8 و 9 فوریه 2006  را نشان می­دهد. بیشینه­ی بارش بیش از 110 میلی­متر در حوضه­ی کارون مشخص است. با مقایسه­ی خروجی مدل با ماهواره، ملاحظه می­شود که مرکز بیشینه­ی بارش در خروجی مدل کمی بالاتر از مکان واقعی برآورد شده است. اما مدل موفق بوده الگوی پراکنذگی بارش و بیشینه­های آن را برای 24 ساعت اول و دوم پیش­بینی نماید. 

 

 

 

 

 

الف

 

ب

شکل 4- بارش تجمعی ماهواره­ی TRMM الف) مورخ 8 فوریه 2006 (19 بهمن 1384)؛ ب) مورخ 9 فوریه 2006 (20 بهمن 1384)

 

 

 

 

 

 


3-3 راستی آزمایی پیش­بینی دوحالتی (2*2)

جدول 2،  مقادیر کمیت­های نرده­ای وابسته به جدول توافقی  2 × 2 را برای چهار کمیت نرده­ای نسبت صحیح، امتیاز مهارتی، اریبی یا گرایست و نسبت هشدارهای نادرست را در سه آستانه­ی تعریف شده و در 24 ساعت اول و دوم پیش­بینی را نشان می­دهد. هر کدام از کمیت­ها جداگانه تحلیل شده­اند.

 

 

جدول 2- مقادیر کمیت­های نرده­ای وابسته به جدول توافقی  2 × 2

ردیف

کمیت­های نرده­ای

24 ساعت اول

24 ساعت دوم

آستانه 1

آستانه2

آستانه3

آستانه1

آستانه2

آستانه3

1

نسبت صحیح(PC)

91/0

63/0

91/0

91/0

83/0

77/0

2

امتیاز مهارتی(TS)

91/0

35/0

25/0

91/0

81/0

27/0

3

اریبی یا گرایست (B)

09/1

59/0

5/1

09/1

24/1

8/1

4

نسبت هشدارهای نادرست(FAR)

08/0

3/0

67/0

08/0

19/0

67/0

 

 

 

نسبت صحیح (PC):

همانگونه که از نتایج جدول 2، برای آستانه­ی اول مشخص است، مقادیر این کمیت در 24 ساعت اول و دوم برابر و مقدار آن 91/0 می­باشد، که بسیار به عدد یک نزدیک است. بنابراین،  دقت مدل در زمینه­ی پیش­بینی وقوع یا عدم وقوع بارش بسیار بالا است و می­توان گفت تقریبا نزدیک به 100 درصد درست پیش بینی نموده است. در آستانه­ی دوم که عدد 20 میلی متر انتخاب شده است، مقدار این کمیت برای 24 ساعت اول پیش­بینی مقدار 63/0 و برای 24 ساعت دوم برابر 83/0 می­باشد. در واقع مدل در پیش بینی بارش با آستانه­ی بیش از 20 میلی متر در 24 ساعت دوم از دقت بالاتری برخوردار بوده است. اما در آستانه­ی سوم که پیش بینی بارش بسیار سنگین بوده و مقدار 100 میلی متر انتخاب شده است، مقدار این کمیت در 24 ساعت اول و دوم به ترتیب برابر  91/0 و 77/0 می­باشد. به این معنا که دقت مدل در پیش­بینی بارش­های سنگین منطقه بالا است ولی در پیش بینی 24 ساعت اول دقت بالاتر است.

 

امتیاز مهارتی(TS):

همانگونه که از نتایج جدول 2، برای آستانه­ی اول مشخص است، مقادیر این کمیت در 24 ساعت اول و دوم برابر و مقدار آن 91/0 می­باشد، که بسیار به عدد یک نزدیک است. مقادیر این کمیت نیز نشان می­دهد که دقت مدل در زمینه­ی پیش­بینی وقوع یا عدم وقوع بارش بسیار بالا است و می­توان گفت بیش از 90 درصد مواردی که مدل پیش­بینی نموده، به درستی بوده است.  در آستانه­ی دوم که عدد 20 میلی متر انتخاب شده است، مقدار این کمیت برای 24 ساعت اول پیش­بینی مقدار 35/0 و برای 24 ساعت دوم برابر 81/0 می­باشد. در واقع دقت مدل در پیش بینی بارش با آستانه­ی بیش از 20 میلی متر در 24 ساعت دوم بالاتر بوده است. در 24 ساعت دوم تعداد مواردی که به درستی پیش­بینی شده، بالا بوده است. در آستانه­ی سوم که پیش بینی بارش بسیار سنگین بوده، مقدار این کمیت در 24 ساعت اول و دوم به ترتیب برابر  25/0 و 27/0 می­باشد. به این معنا که دقت مدل در پیش­بینی بارش­های سنگین منطقه بالا نبوده است. 

 

اریبی یا گرایست (B):

همانگونه که از نتایج جدول 2، برای آستانه­ی اول مشخص است، مقادیر این کمیت در 24 ساعت اول و دوم برابر و مقدار آن 09/1 می­باشد، که به عدد یک نزدیک است، بنابراین،  دقت مدل در زمینه­ی پیش­بینی وقوع یا عدم وقوع بارش بالا است. در آستانه­ی دوم که عدد 20 میلی متر انتخاب شده است، مقدار این کمیت برای 24 ساعت اول پیش­بینی مقدار 59/0 و برای 24 ساعت دوم برابر 24/1 می­باشد. در واقع مدل در پیش بینی بارش با آستانه­ی بیش از 20 میلی متر در 24 ساعت دوم از دقت بالاتری برخوردار بوده است. در 24 ساعت اول کمتر از مقدار واقعی پیش بینی شده و در 24 ساعت دوم، کمتر از مقدار واقعی پیش بینی شده است. یعنی در آستانه­ی دوم در 24 ساعت اول، مدل خشک بوده، بعبارت دیگر تعداد روزهایی که بارش اتفاق افتاده را کمتر پیش بینی نموده است. و در 24 ساعت دوم مدل تر بوده، یعنی تعداد روزهایی که بارش اتفاق رخ نداده، اما مدل پیش­بینی نموده، بالا بوده است. اما در آستانه­ی سوم که پیش بینی بارش بسیار سنگین بوده و مقدار 100 میلی متر انتخاب شده است، مقدار این کمیت در 24 ساعت اول و دوم به ترتیب برابر  5/1 و 8/1 می­باشد. به این معنا که دقت مدل در پیش­بینی بارش­های سنگین منطقه بالا است ولی در پیش بینی 24 ساعت اول دقت بالاتر است و در دو حالت، مدل تر بوده است.

 

نسبت هشدارهای نادرست(FAR)

همانگونه که از نتایج جدول 2، برای آستانه­ی اول مشخص است، مقادیر این کمیت در 24 ساعت اول و دوم برابر و مقدار آن 08/0 می­باشد، که به عدد صفر نزدیک است. بنابراین،  دقت مدل در زمینه­ی پیش­بینی وقوع یا عدم وقوع بارش  بالا است. در آستانه­ی دوم، مقدار این کمیت برای 24 ساعت اول پیش­بینی مقدار 3/0 و برای 24 ساعت دوم برابر 19/0 می­باشد. در واقع در 24 ساعت اول، تعداد دفعاتی که بارش نادرست پیش­بینی شده، بیش از 24 ساعت دوم بوده است. اما در آستانه­ی سوم، مقدار این کمیت در 24 ساعت اول و دوم مساوی و برابر 67/0 می­باشد. به این معنا که دقت مدل در پیش­بینی بارش­های سنگین منطقه متوسط است.

 

 

نتیجه­گیری

در روزهای 19 تا 21 بهمن 1384 در منطقه­ی کارون بارش سنگین و بی سابقه­ای گزارش شده است که موجب بروز سیل و خسارت در منطقه شده است. این بارش به علت حاکم بودن سامانه­ای همدیدی در منطقه به وقوع پیوسته است. به منظور بررسی صحت مدل پیش بینی عددی WRF، این مدل اجرا و نتایج حاصل از آن با واقعیت از دو دیدگاه راستی آزمایی چشمی و آماری بررسی شدند. نتایج راستی آزمایی مدل، نشان داد که الگوی بارش و میزان آن در منطقه به درستی پیش­بینی شده است. نتایج آماری راستی­آزمایی آماری در سه آستانه، وقوع یا عدم وقوع بارش؛ بارش متوسط منطقه و بارش سنگین در 24 ساعت اول و دوم ارزیابی شد. نتایج نشان می­دهد که مدل در 24 ساعت اول و دوم در پیش بینی وقوع یا عدم وقوع بارش بسیار دقیق عمل کرده و نتایج نزدیک 100 درصد صحیح هستند.  برای آستانه­ی دوم، دقت مدل در پیش بینی بارش بالا است ولی در 24 ساعت دوم دقت بالاتر بوده است، به گونه­ای که در آستانه­ی دوم و در 24 ساعت دوم تعداد مواردی که به درستی پیش­بینی شده، بالا بوده است. همچنین، در آستانه­ی دوم در 24 ساعت اول، مدل خشک بوده، بعبارت دیگر تعداد روزهایی که بارش اتفاق افتاده را کمتر پیش بینی نموده است. و در 24 ساعت دوم مدل تر بوده، یعنی تعداد روزهایی که بارش اتفاق رخ نداده، اما مدل پیش­بینی نموده، بالا بوده است. و در آستانه­ی سوم، در پیش بینی 24 ساعت اول دقت بالاتر است و در دو حالت، مدل تر بوده است. به عبارتی دیگر، برای آستانه­ی سوم، دقت مدل در پیش بینی بارش­های بسیار سنگین در منطقه متوسط بوده است. گرچه نتایج نشان می­دهند که خروجی مدل برای پیش­بینی سیل در منطقه­ی کارون قابل اعتماد است، اما با توجه به توپوگرافی پیچیده­ی ایران استفاده از پیکربندی مناسب مدل و روش­های پیش­بینی همادی می­تواند نتایج را بهبود دهد.



2. Weather Research Forecasting

1. Verification

[3]. Tropical Rainfall Measuring Mission

[4]. Rapid Radiative Transfer Model

2. bias

1. Proportion Correct

  1.  

    1. Azadi, M., Jafari, S., Mirzaee, E , and Arabli, p, 2006: Post processing of MM5 model outputs for maximum and minimum 2 meter temperature by using simple kalman filter.The sixth Conference of numerical weather forecasting, Tehran, Iran.
    2. Azadi, M., Taghizadeh, E. and Memarian, M. H, 2012: Verification of WRF Precipitation Forecast Over Iran Country during Nov. 2008-Jun. 2009. Iran-Water Resources Research, Volume 8, No. 2, Fall 2012, 48-59 pp.
    3. Fall, S; Niyogi, D; Mohanty, UC; Kumar, 2007: A Application of weather prediction models for hazard mitigation planning: a case study of heavy off-season rains in Senegal NATURAL HAZARDS,Vol.41.00 Issue. 1 pp.227-243.
    4. Jolliffe and D.B. Stephenson, 2003: Forecast Verification: A Practitioner’s Guide in Atmospheric Science, John Wiley and Sons, 240pp.
    5. Livezey, R.E., 1995a. Field intercomparison. In: H. von Storch and A. Navarra, eds., Analysis of Climate Variability. Springer, 159–176.
    6. Muller, R.H., 1944. Verification of short-range weather forecasts (a survey of the literature). Bulletin of the American Meteorological Society, 25, 18–27, 47–53, 88–95.
    7. Murphy, A.H., 1988. Skill scores based on the mean square error and their relationships to the correlation coefficient. Monthly Weather Review, 116, 2417–2424.
    8. Murphy, A.H., 1997. Forecast verification. In: R.W. Katz and A.H. Murphy, Eds., Economic Value of Weather and Climate Forecasts. Cambridge, 19–74.
    9. Murphy, A.H., and H. Daan, 1985. Forecast evaluation. In: A.H. Murphy and R.W. Katz, eds., Probability, Statistics, and Decision Making in the Atmospheric Sciences. Boulder, Westview, 379–437.
    10. Shing Y., 2005 :Verification of WRF Forecast over Northeastern United States”, Department of Geology & Meteorology, Kean University, Union 07083.
    11. Skamarock, W.C., J.B. Klemp, J. Dudhia, D. Gill, D. Barker, W. Wang, J.G. Powers, 2008: A description of the Advanced Research WRF Version 3, NCAR Tech. Note NCAR/TN-475+STR.
    12. Stanski, H.R., L.J. Wilson, and William R. Burrows, 1989. Survey of Common Verification Methods in Meteorology. World Weather Watch Technical Report

    30

    No. 8, World Meteorological Organization, TD No. 358, 114 pp.
    1. Sukhumvit Rd., 2006: “Microphysics Schemes Simulation of Heavy Rainfalls in the Low Pressure Trough passed the North of Thailand”, Thai Meteorological Department.
    2. Stunder B.J.B., (1997), NCEP Model Output – FNL ARCHIVE DATA, TD
    3. Wilks, D.S., 1995:Statistical methods in the atmospheric sciences, elsevier  academic press, 649 PP.