نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
2 دانشیار، گروه هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
3 استادیار، گروه هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
4 دکتری سازه‌های آبی، گروه مهندسین مشاور آب عمران پردیسان تهران، ایران
چکیده
کلیدواژه‌ها
عنوان مقاله [English]
نویسندگان [English]
Introduction
Studies on rainfall distribution in catchments suffer from scattered distribution and limited number of measuring stations in the catchment area, there is no possibility for detailed analysis. Currently, numerical simulations are the best approach to determine real precipitation on a regular grid in an entire basin. At present, dynamical and physical governing equations of numerical models based on the latest numerical methods provide extensive and valuable information. . Hence, these models are used independently to evaluate occurrence and changes of various atmospheric parameters or effects of changes in one parameter on the others.
In this study, we have evaluated performance of different micro-physical and convection parameterization schemes of WRF model, to estimate precipitation in the Karoon river basin in Southwest Iran. The basin is a main water source of the country, and because of its large water reservoir, the region has been always interesting to researchers. Therefore, the region was selected for study. A mountainous region lies to North and northeast of the basin and the Khuzestan plain in South and West to the area.
Physics of the numerical Weather Research and Forecast (WRF) model, which is developed by different USA institutes, contains 5 categories of: (1) microphysics, (2) cumulus parameterization, (3) planetary boundary layer (PBL), (4) land-surface model, and (5) radiation. Since from its introduction, Operational use of the model has grown significantly. To have a better prediction, it is essential to find and apply the most appropriate configuration for the model in Iran.
The WSM3 is a simple-ice scheme, which predicts three categories of hydrometers: vapor, cloud water/ice, and rain/snow. The scheme computes ice processes efficiently, but not super-cooled water and gradual melting rates. The WSM5 scheme is similar to the WSM3 scheme and includes vapor, rain, snow, cloud ice, and cloud water in five different arrays. Thus, it keeps super-cooled water and gradual melting of snow falling from melting layer. The scheme is efficient in intermediate grids between the meso-scale and cloud-resolving grids.
In practice, the convection parameterization include following steps: Triggering (Determines occurrence/localization of convection), Cloud modeling (Determines vertical distribution of heating, moistening and momentum changes) and Closure (Determines overall amount of the energy conversion, convective precipitation=heat release). Types of convection schemes are based on moisture budgets, Adjustment and Mass-flux schemes. The Kain-Fritsch scheme utilizes a simple cloud model with moist updrafts and downdrafts, including effects of detrainment and entrainment, and a relative simple microphysics. In the Betts-Miller-Janjic scheme, deep convection profiles and the relaxation time are variable depending on the cloud efficiency and a non-dimensional parameter that characterizes the convective regime. The cloud efficiency depends on the entropy change, precipitation, and Cloud mean temperature. A requirement for the shallow convection moisture profile is that the entropy change should be small and non-negative.
Materials and methods
Rainfall prediction is one of the important applications of numerical weather prediction models. Effects of different physical schemas and their combinations were studied in order to select best schemes for more accurate rain prediction, in the very important karoon basin catchment of Iran. To pursue this goal, a matrix of 6 WRF model configurations, were created, using combinations of different microphysical-convection schemes, and were run in two distinct domains with horizontal resolutions of 27km and 9km respectively, for four cases of: January 2004, March 2005 and 2007, and December 2009. In all runs, two different treatments of convection ( i.e., Kain-Fritsch(KF) and Betts-Miller-Janjic (BMJ)) and three different microphysical schemes ( i.e., WSM 3-class(3), WSM 5-class(5) and Ferrier(F)) were used. Also, FNL data from NCEP and observation data from IRIMO were used. Model results were compared with 6-hourly observed data of precipitation from 15 synoptic stations in the region. To evaluate prediction accuracy of different schemes, mean squared correlation coefficients between observation data and each combined convective-microphysics scheme was calculated.
Results and discussion
Mean squared correlation coefficients between observation data and combination of convective-microphysical schemes for 9-km resolution were 0.888 for BMJF, 0.885 for BMJ5, 0.831 for BMJ3, 0.887 for KF3, 0.878 for KF5 and 0.871 for KFF. Therefore, results of the studied cases show no significant difference among the convective-microphysics configurations for the 9km resolution, which are in agreement with the results obtained by Jankov (2005) and Otkin (2008). So it seems that, at intermediate scales (about 9km), regardless of the sensitivity of the model to the microphysics and convection schemes, any of the compound schemes used in this study is acceptable. Therefore, for accurate analysis of schemes due to their differences in physical characteristics, it is better the Model be used in lower scales (for Convective cells). Also, application of preprocessing methods for Observational data assimilation, can detect behavior and sensitivity of the model regarding various schemes. On the other hand, if the convective scale is larger than the grid scale, the model directly resolves convection and precipitation. So, in this case, changing parameterization schemes have little effect on the size and intensity of rainfall. To realize the subject, a control run, without convection Parameterization schemes, should be compared with these model runs.
Conclusion
According to the results obtained the studied cases, there were no significant differences among the diverse convective-microphysics configurations for 9km resolution. Therefore, for an accurate schemes analysis due to differences in their physical characteristics and compare the results, it is better to use the Model in lower scales (higher resolutions) (for Convective cells).
کلیدواژه‌ها [English]
مقدمه
همواره در مطالعاتی که نیاز به اطلاع از مقدار و چگونگی توزیع بارش در تمامی یک حوضه آبریز وجود دارد، به دلیل پراکندگی نامنظم و محدودیت تعداد ایستگاه‌های اندازه گیری، امکان انجام مطالعات دقیق در تمامی گستره حوضه آبریز وجود نداشته است. برای تعیین کمی مقادیر بارش در یک شبکه منظم در کل حوضه، بهترین روش استفاده از مدلهای عددی شبیه‌سازی هواشناسی می‌باشد. امروزه اطلاعات گسترده و ارزشمندی را میتوان از خروجی مدلهای عددی جو که بر مبنای دینامیک و فیزیک حاکم بر جو و با استفاده از آخرین روشهای عددی حل معادلات حاکم بر جو توسعه یافتهاند، بدست آورد. از اینرو میتوان با استفاده از این مدل‌ها رخداد پدیدهها و تغییرات در کمیت‌های مختلف جو را به صورت مستقل از یکدیگر مورد ارزیابی قرار داد و یا اثر تغییرات در هر یک از کمیت‌ها را در کمیت‌های دیگر بررسی کرد.
در این تحقیق عملکرد طرحوارههای پارامترسازی مختلف خردفیزیکی و همرفت مدل WRF در برآورد بارش در حوضه‌آبریز رود کارون در جنوب‌غرب ایران ارزیابی شد. حوضه‌آبریز کارون مناطق وسیعی از دامنه‌های جنوبی رشته کوه زاگرس و کوهپایه‌های آن را در استان‌های اصفهان، لرستان، چهارمحال و بختیاری، کهکیلویه و بویراحمد و خوزستان در بر میگیرد. رود کارون و سر شاخه‌های آن بزرگترین مجموعه رودخانه‌ای را در ایران تشکیل داده و یکی از منابع عمده آب کشور است. [1]
آزادی و همکاران(1382) عملکرد مدل غیر هیدروستاتیک MM5 را برای صدور پیش‌بینی‌های چهار روزه در زمستان بر روی ایران با استفاده از داده‌هـای مدل تمام کره‌ای AVN و پارامتره‌سازی فرآیندهای لایه مرزی سیاره‌ای و فرآیند همرفت با تفکیک افقی ٣٠ کیلومتر بررسی کردند. نتایج نشان داد که این مدل منطقـه‌ای برای شبیه‌سازی ساختارهای میان‌مقیاس سامانه‌های ترکیبی فرارفتی و همرفتی تا چهار روز موفق است. همچنین بررسی ترکیب طرحوارههای مختلف آنها نیز نشان داد که ترکیب طرحوارههایBetts-Miller ، Grell یا Kain-Fritsch برای همرفـت بـا طـرحواره Blackadar بـرای لایه مرزی در مقایسه با دیگر ترکیب ها نتایج بهتری را به همراه دارد. آزادی و همکاران(1388) میزان دقت و صحت برونداد مدل WRF با پیکربندی‌های مختلف برای پیش‌بینی‌های 48 ساعتهی بارش بر روی ایران را مورد ارزیابی قرار دادند. نتایج مدل با مقادیر متناظر در دسترس، از ایستگاه‌های هواشناسی همدیدی مقایسه شد. با تشکیل جدول توافقی، کمیت‌های عددی و امتیازهای مهارتی برای پیشبینی وقوع بارش محاسبه شد. راست آزمایی نشان داد که در مجموع اجرای مدل WRF با استفاده از دو پیکربندی همرفتی-لایه مرزی Kain-Fritsch ، Mellor-Yamada-Janjic و Grell-Devenyi ، Mellor-Yamada-Janjic نتایج قابل قبولی را تولید میکند.
جانکو و همکاران(2005 Jankov,) اثر پارامترهای فیزیکی مختلف WRF و برهم کنش آنها روی سامانه همرفتی میان مقیاس1[2]MCS در فصل گرم با ماتریسی از 18 ترکیب مدلWRF شامل دو طرحواره همرفتKF ، BMJ و طرحواره بدون همرفت2[3]NC، سه طرحواره خردفیزیکیMPL ، MPF وMPN ، و دو طرحواره لایه مرزی MRF و ETA و شبکهای با فواصل نقاط km 12، را مورد مطالعه قرار دادند. تحلیل‌ها نشان داد که ترکیب برگزیده‌ای که بهتر از بقیه باشد، وجود ندارد. آزمایش‌های عینی3[4]از حساسیت به تغییر طرحوارههای فیزیکی با ازریابی مقادیر مربع ضریب همبستگی، نشان داد که در پیشبینی میزان بارش بیشترین حساسیت به انتخاب طرحواره همرفت و کمترین حساسیت به طرحواره خردفیزیکی مربوط میشود. هانگ و همکاران(2006 Hong,) عملکرد سه طرحواره متفاوت خرد فیزیکی WSM3، WSM5 و WSM6 را در یک توفان با بارش سنگین بررسی کردند. نتایج نشان داد که تعداد سنجه‌های رطوبتی پیشبینی شده اثر ناچیزی در شبیه‌سازی بارش در تفکیک شبکهای کم دارند اما در تفکیک‌های شبکهای بزرگ، تفاوت‌های واضحی در مقدار بارش با توجه به پیچیدگی خرد فیزیک دیده میشود. اوتکین و همکاران (2008Otkin, ) به مقایسه ساختارهای ابر تولیدشده مدل WRF با چندین طرحواره خردفیزیکی شامل WSM6، Purdue Lin، Thompson و Seifert & Beheng(SB) پرداختند. تمام طرحوارهها بارش همادی بیشتری را پیشبینی کردند؛ اما هیچ‌‌یک از شبیه‌سازی‌ها رویداد بارش فرین را به دقت پیشبینی نکردند. کانینگهام و همکاران (2007Cunningham, ) بر روی چهار منطقه شامل جنوب غرب آسیا، شرق آسیا، آلاسکا و counus، 10 مورد از ترکیب‌های مختلف مدل WRF با طرحوارههای سطح، خردفیزیک، همرفت، تابشهای طول موج کوتاه و طول موج بلند و لایه مرزی را در‌نظر‌گرفتند. الگوریتم‌های عدم قطعیت برای پیشبینی دید، برق و بارش استفاده شد. آنها درنتایج خود نشان دادند که شرایط اولیه از جنبه های مهم یک پیشبینی خوب است و عدم قطعیت‌ها در شرایط اولیه از جنبه های مهم یک پیشبینی همادی خوب است. همچنین تفکیک شبکه برای شبیه‌سازی اهمیت دارد و نبود اطلاعات میان مقیاس در زمان اولیه به پیشبینی همادی صدمه می‌زند. در وضعیت سینوپتیکی قبل از رویداد میان مقیاس، پیشبینی همادی به خوبی شبیه‌سازی میشود؛ و هنگامی‌که وضعیت سینوپتیکی پیچیده است با حزئیات میان مقیاس فراوان، پیشبینی همادی پراکندگی زیادی را نشان می‌دهد.
پارامترسازی همرفت در کل شامل سه مرحله آغازگری همرفت (آغاز و تداوم همرفت)، مدل ابر (توزیع قائم گرمایش، رطوبت و تغییرات تکانه) و فرضیات بستار (میزان تبدیل انرژی و آزاد شدن گرما ناشی از بارش همرفتی) می‌باشد. طرحوارههای همرفتی سه دسته‌اند: 1. طرحواره هایی که بر اساس بودجه‌های رطوبتی می‌باشند، 2. طرحوارههای تعادل، 3. طرحوارههای شار جرم. جداول 1 تا 3 نشان دهنده متغیرهای به‌کار رفته در طرحوارههای BMJ و KF در این سه دسته می‌باشند. Bechtold, 2004))
جدول 1- توابع آغازگرهمرفت
|
Cloud-layer Moisture |
Sub-cloud Mass Conv. |
CIN |
Cloud Depth |
CAPE |
|
|
|
|
BMJ |
|||
|
|
KF |
جدول 2- توریع قائم گرما و رطوبت
|
Convective Adjustment |
Entraining/Detraining Plume |
|
|
|
BMJ |
|
|
|
KF |
جدول 3- بستار
|
Cloud-layer Moisture |
CAPE |
|
|
BMJ |
||
|
|
KF |
طرحوارهWSM 3-class (3) که طرحواره ساده یخ نیز نامیده میشود سه گروه از سنجه‌های رطوبتی را پیشبینی میکند: بخار، آب/یخ ابر و باران/برف. این طرحواره برای محاسبه فرایندهای یخ مناسب است اما فاقد آهنگ ذوب تدریجی و آب ابرسرد است. طرحواره WSM 5-class (5)مشابه طرحواره ساده یخ است. بخار، باران، برف، یخ ابر و آب ابر در پنج آرایه متفاوت را در نظر میگیرد، و برخلاف WSM 3-class (3) آب ابرسرد و ذوب تدریجی ریزش برف در پائین‌تر از لایه ذوب[5] را نیز دربردارد. این طرحواره برای مقیاس شبکهای متوسط بین شبکه‌های میان مقیاس و آشکارسازی ابر مناسب است.(Skamarock, 2008)
طرحواره Kain-Fritschاز مدل ساده ابر با حرکت‌های بالاسو و پائین‌سوی مرطوب شامل اثرات درون شارشی و برون شارشی است. در طرحواره Betts-Miller- Janjic نمایه همرفت عمیق و زمان واهلش متغیر است و به کارایی ابر بستگی دارد. کارایی ابر بستگی به تغییر آنتروپی، بارش و دمای میانگین ابر دارد. نمایه رطوبت همرفت عمیق نیازمند این است که تغییر آنتروپی کوچک و غیرمنفی باشد. Skamarock, 2008))
مواد و روش‌ها
WRF مدل پیشبینی عددی جوی است که توسط
موسسات و مراکز[6] مختلفی در ایالات متحده ایجاد شده است. WRF یک مدل غیرهیدروستاتیک و تراکم پذیر (با گزینه هیدروستاتیک) است و شبکه C آراکاوا[7] برای به دست آوردن دقت بهتر در شبیه‌سازی در آن استفاده شده است. طبقه بندی فیزیک مدل شامل خردفیزیک، پارامترسازی همرفت، لایه مرزی سیاره‌ای، مدل سطح و تابش می‌باشد. Skamarock, 2008)) استفاده از مدل WRF برای مقاصد عملیاتی روز به روز در حال گسترش است. به‌کارگیری آن در کشور نیز لزوم یافتن و به‌کارگیری مناسبترین پیکربندی برای این مدل در ایران را امری ضروری نموده است.
یکی از مهمترین کاربردهای مدلهای پیشبینی وضع هوا به بارش مربوط میشود. بدین منظور و یافتن بهترین طرحوارهها برای پیشبینی هر چه دقیقتر بارش در کشور چگونگی اثر طرحوارههای فیزیکی مختلف و ترکیب‌های آنها به همراه یک مدل لایه مرزی، برای یکی از مهمترین حوضههای آبریز کشور یعنی حوضه آبریز کارون مورد بررسی قرار گرفت. بدین منظور ماتریسی از 6 ترکیب طرحوارههای همرفت-خردفیزیک-لایه مرزی برای مدل WRF، در دو حوزه به ترتیب حوزه بزرگ با تفکیک افقی km 27 ، در فاصله طول جغرافیایی 40 تا 60 درجه شرقی و عرض جغرافیایی 20 تا 42 درجه شمالی، و حوزه کوچک با تفکیک افقی km 9 در فاصله طول جغرافیایی 45 تا 55 درجه شرقی و عرض جغرافیایی 25 تا 38 درجه شمالی طراحی گردید. طرحوارههای مورد استفاده عبارت اند از دو طرحواره همرفت (KF) Kain-Fritsch، (BMJ) Betts-Miller- Janjic، سه طرحواره خردفیزیکی WSM 3-class (3) ، WSM 5-class (5) و.(F) Ferrier et al و طرحواره لایه مرزی YSU ایجاد شد.
شبیه‌سازی‌های بارش با اجرای نسخه 3.2 مدلWRF از ترکیب طرحواره های مختلف برای ماه‌های ژانویه 2004، مارچ 2005 و 2007 و دسامبر 2009، ارزیابی شدهاند. مدل به مدت 96 ساعت(چها روز) از ساعت UTC12 روز 6 ژانویه 2004، از ساعت UTC00 روز 25 مارچ 2007، از ساعت UTC12 دسامبر 2009 و 120 ساعت(پنج روز) از ساعت UTC06 روز 10 مارچ 2005 اجرا شد. داده‌های ورودی مدل که شامل داده‌های FNL می‌باشد، از NCEP تهیه شدهاند.
داده‌های دیدبانی برای مقایسه از سازمان هواشناسی کشور تهیه گردید. جدول 4 مشخصات ایستگاه‌های همدیدی منتخب (که داده‌های بارش 6 ساعته آنها در هر چهار اجرای مورد بررسی موجود می‌باشد)، را نشان می‌دهد. همچنین شکل 1 توزیع ایستگاه‌ها را در حوضه آبریز کارون نشان می‌دهد.
جدول4- مشخصات ایستگاه‌های همدیدی حوضه آبریز کارون
|
نام ایستگاه |
طول جغرافیایی |
عرض جغرافیایی |
ارتفاع(متر) |
|
مسجد سلیمان |
283/49 |
933/31 |
5/320 |
|
لردگان |
833/50 |
5/31 |
1580 |
|
شهرکرد |
833/50 |
3/32 |
9/2048 |
|
شوشتر |
833/48 |
05/32 |
67 |
|
صفی آباد دزفول |
417/48 |
267/32 |
83 |
|
ایذه |
867/49 |
85/31 |
767 |
|
اهواز |
667/48 |
333/31 |
5/22 |
|
سمیرم |
55/51 |
417/31 |
2274 |
|
بروجن |
3/51 |
983/31 |
2197 |
|
یاسوج |
55/51 |
7/30 |
3/1816 |
|
الیگودرز |
7/49 |
4/33 |
2022 |
|
ازنا |
4/49 |
45/33 |
8/1871 |
|
درود |
0/49 |
517/33 |
3/1522 |
|
سیلاخور |
867/48 |
733/33 |
8/1496 |
|
دزفول |
383/48 |
4/32 |
143 |
برای ارزیابی صحت پیشبینی طرحوارههای متفاوت به کار رفته در این تحقیق مربع ضریب همبستگی بین داده‌های دیدبانی بارش و برآورد بارش با طرحوارههای متفاوت مدل WRF محاسبه گردیدهاند. از ضریب همبستگی[8] به عنوان ابزاری آماری برای تعیین نوع و درجه رابطه بارش دیدبانی شده با بارش برآورد شده مدل استفاده شده است. رابطه مربع ضریب همبستگی عبارت است از:
که در آن میانگین بارندگی دیدبانی شده در مقیاس زمانی، میانگین بارندگی برآورد شده در مقیاس زمانی، بارندگی دیدبانی شده 6 ساعته و بارندگی برآورد شده 6 ساعته می‌باشند. شایان ذکر است که در اینجا متغیرمستقل، میانگین بارندگی دیدبانی شده و متغیر وابسته، میانگین بارندگی برآورد شده می‌باشند.
نتایج و بحث
برای تحلیل بارشهای شبیه‌سازی شده مدل و مقایسه آن با رخداد، با استفاده از آمار بارش 15 ایستگاه همدیدی، مربع ضریب همبستگی محاسبه گردید. جداول 5 تا 8 مقدار مربع ضریب همبستگی برای هر طرحواره را در هر چهار اجرا در ایستگاه‌های منتخب در حوزه کوچک نشان می‌دهد. همچنین جدول 9 مقدار میانگین مربع ضریب همبستگی را در هر چهار اجرا نشان می‌دهد.
شکل1- توریع ایستگاه‌های همدیدی حوضه آبریز کارون
جدول 5- مربع ضریب همبستگی برای هر طرحواره در ایستگاه‌های منتخب درحوزه کوچک در دسامبر 2009
|
ایستگاه/طرحواره |
BMJF |
BMJ5 |
BMJ3 |
KF3 |
KF5 |
KFF |
|
اهواز |
808/0 |
830/0 |
851/0 |
792/0 |
796/0 |
805/0 |
|
درود |
718/0 |
614/0 |
590/0 |
615/0 |
610/0 |
666/0 |
|
دزفول |
537/0 |
530/0 |
541/0 |
525/0 |
533/0 |
523/0 |
|
الیگودرز |
826/0 |
841/0 |
836/0 |
950/0 |
831/0 |
880/0 |
|
شوشتر |
747/0 |
772/0 |
775/0 |
859/0 |
0.875 |
0.845 |
|
مسجدسلیمان |
863/0 |
818/0 |
861/0 |
878/0 |
857/0 |
871/0 |
|
سمیرم |
848/0 |
852/0 |
858/0 |
766/0 |
798/0 |
782/0 |
|
شهرکرد |
903/0 |
911/0 |
865/0 |
847/0 |
576/0 |
850/0 |
|
بروجن |
991/0 |
972/0 |
969/0 |
930/0 |
938/0 |
962/0 |
|
یاسوج |
916/0 |
948/0 |
923/0 |
904/0 |
893/0 |
888/0 |
|
ازنا |
616/0 |
622/0 |
696/0 |
690/0 |
709/0 |
715/0 |
|
ایذه |
954/0 |
968/0 |
947/0 |
963/0 |
945/0 |
957/0 |
|
سیلاخور |
745/0 |
763/0 |
474/0 |
733/0 |
681/0 |
690/0 |
|
صفی‌آباد دزفول |
831/0 |
835/0 |
827/0 |
896/0 |
733/0 |
737/0 |
|
لردگان |
972/0 |
995/0 |
976/0 |
978/0 |
986/0 |
963/0 |
جدول 6- مربع ضریب همبستگی برای هر طرحواره در ایستگاه‌های منتخب دردامنه کوچک در ژانویه 2004
|
ایستگاه/طرحواره |
BMJF |
KF3 |
KF5 |
KFF |
BMJ3 |
BMJ5 |
|
اهواز |
632/0 |
374/0 |
796/0 |
497/0 |
317/0 |
689/0 |
|
درود |
585/0 |
507/0 |
471/0 |
731/0 |
271/0 |
411/0 |
|
دزفول |
742/0 |
825/0 |
830/0 |
864/0 |
507/0 |
583/0 |
|
الیگودرز |
294/0 |
354/0 |
410/0 |
671/0 |
125/0 |
172/0 |
|
مسجدسلیمان |
676/0 |
489/0 |
782/0 |
343/0 |
439/0 |
780/0 |
|
شوشتر |
600/0 |
664/0 |
856/0 |
879/0 |
675/0 |
781/0 |
|
سمیرم |
723/0 |
832/0 |
730/0 |
665/0 |
842/0 |
780/0 |
|
شهرکرد |
388/0 |
332/0 |
526/0 |
470/0 |
552/0 |
552/0 |
|
بروجن |
549/0 |
542/0 |
597/0 |
530/0 |
762/0 |
714/0 |
|
یاسوج |
948/0 |
970/0 |
968/0 |
953/0 |
934/0 |
956/0 |
|
ازنا |
181/0 |
329/0 |
346/0 |
547/0 |
257/0 |
300/0 |
|
ایذه |
339/0 |
205/0 |
423/0 |
325/0 |
417/0 |
354/0 |
|
سیلاخور |
793/0 |
207/0 |
561/0 |
605/0 |
162/0 |
314/0 |
|
صفی‌آباد دزفول |
752/0 |
811/0 |
776/0 |
863/0 |
679/0 |
646/0 |
|
لردگان |
803/0 |
867/0 |
899/0 |
912/0 |
778/0 |
876/0 |
جدول 7- مربع ضریب همبستگی برای هر طرحواره در ایستگاه‌های منتخب دردامنه کوچک درمارس 2005
|
ایستگاه/طرحواره |
BMJF |
KF3 |
KF5 |
KFF |
BMJ3 |
BMJ5 |
|
اهواز |
971/0 |
957/0 |
973/0 |
980/0 |
959/0 |
973/0 |
|
درود |
921/0 |
883/0 |
868/0 |
864/0 |
913/0 |
897/0 |
|
دزفول |
959/0 |
955/0 |
973/0 |
975/0 |
953/0 |
944/0 |
|
الیگودرز |
922/0 |
965/0 |
969/0 |
952/0 |
893/0 |
924/0 |
|
شوشتر |
964/0 |
962/0 |
965/0 |
963/0 |
960/0 |
905/0 |
|
مسجدسلیمان |
987/0 |
976/0 |
945/0 |
971/0 |
969/0 |
948/0 |
|
سمیرم |
948/0 |
929/0 |
875/0 |
858/0 |
921/0 |
883/0 |
|
شهرکرد |
989/0 |
887/0 |
923/0 |
801/0 |
973/0 |
981/0 |
|
بروجن |
967/0 |
934/0 |
972/0 |
860/0 |
953/0 |
931/0 |
|
یاسوج |
936/0 |
975/0 |
975/0 |
967/0 |
948/0 |
935/0 |
|
ازنا |
955/0 |
943/0 |
941/0 |
938/0 |
956/0 |
955/0 |
|
ایذه |
908/0 |
933/0 |
948/0 |
948/0 |
862/0 |
931/0 |
|
سیلاخور |
897/0 |
807/0 |
876/0 |
825/0 |
872/0 |
842/0 |
|
صفی آباد دزفول |
986/0 |
988/0 |
0.976 |
0.979 |
0.986 |
991/0 |
|
لردگان |
873/0 |
806/0 |
936/0 |
892/0 |
656/0 |
711/0 |
جدول 8- مربع ضریب همبستگی برای هر طرحواره در ایستگاه‌های منتخب دردامنه کوچک در مارس 2007
|
ایستگاه/طرحواره |
BMJF |
KF3 |
KF5 |
KFF |
BMJ3 |
BMJ5 |
|
|
اهواز |
899/0 |
923/0 |
889/0 |
882/0 |
953/0 |
897/0 |
|
|
درود |
922/0 |
940/0 |
870/0 |
921/0 |
939/0 |
851/0 |
|
|
دزفول |
765/0 |
733/0 |
720/0 |
714/0 |
739/0 |
864/0 |
|
|
الیگودزر |
858/0 |
897/0 |
842/0 |
841/0 |
837/0 |
867/0 |
|
|
شوشتر |
810/0 |
892/0 |
877/0 |
769/0 |
809/0 |
839/0 |
|
|
مسجدسلیمان |
902/0 |
959/0 |
944/0 |
907/0 |
928/0 |
887/0 |
|
|
سمیرم |
959/0 |
978/0 |
965/0 |
969/0 |
958/0 |
922/0 |
|
|
شهرکرد |
934/0 |
932/0 |
902/0 |
862/0 |
941/0 |
922/0 |
|
|
بروجن |
811/0 |
823/0 |
980/0 |
874/0 |
767/0 |
817/0 |
|
|
یاسوج |
884/0 |
920/0 |
913/0 |
925/0 |
902/0 |
891/0 |
|
|
ازنا |
853/0 |
765/0 |
827/0 |
846/0 |
0.846 |
846/0 |
|
|
ایذه |
950/0 |
964/0 |
964/0 |
968/0 |
956/0 |
929/0 |
|
|
سیلاخور |
856/0 |
826/0 |
846/0 |
824/0 |
868/0 |
847/0 |
|
|
صفی آباد دزفول |
774/0 |
766/0 |
748/0 |
747/0 |
759/0 |
797/0 |
|
|
لردگان |
882/0 |
923/0 |
908/0 |
822/0 |
846/0 |
912/0 |
|
جدول 9- میانگین مربع ضریب همبستگی برای هر طرحواره در ایستگاه‌های منتخب درحوزه کوچک
|
BMJF |
BMJ5 |
BMJ3 |
KF3 |
KF5 |
KFF |
|
0.888 |
0.855 |
0.831 |
0.889 |
0.878 |
0.871 |
نتیجه‌گیری
در مطالعاتی که نیاز به اطلاعات مقدار بارش در تمامی حوضه آبریز وجود دارد، به دلیل پراکندگی نامنظم و محدودیت تعداد ایستگاه‌های اندازه گیری، امکان انجام مطالعات دقیق در تمامی گستره حوضه آبریز وجود ندارد. برای تعیین کمی مقادیر بارش در یک شبکه منظم در کل حوضه، بهترین روش استفاده از شبیه‌سازی عددی است. در این تحقیق 6 ترکیب متفاوت از مدل WRF اجرا شد.
نتایج بررسی میانگین مقادیر مربع ضریب همبستگی در حوزه کوچک با تفکیک km9، مقدار 888/. برای ترکیب طرحوارههایBMJF، مقدار 885/. برای ترکیب طرحوارههای BMJ5، مقدار 831/. برای ترکیب طرحوارههای BMJ3، مقدار 887/. برای ترکیب طرحوارههای KF3، مقدار 878/. برای ترکیب طرحوارههای KF5 و مقدار 871/. برای ترکیب طرحوارههایKFF را نشان داد. بنابراین در مطالعات موردی انجام شده، مطابق با نتایج جانکو2005 و اوتکین 2008، ترکیب برگزیده شاخصی از طرحوارهها که آشکارا بهتر از بقیه باشد، به چشم نمی‌خورد. بنابراین به نظر می‌رسد برای استفاده از نتایج شبیه‌سازی مدل WRF در مقیاس‌های متوسط(در حدود 9 کیلومتر) میتوان بدون توجه به حساسیت مدل به طرحوارههای همرفت و حردفیزیکی، یکی از ترکیبات مورد استفاده در این مطالعه را به کار برد. لذا بهتر است برای تحلیل دقیقتر طرحوارهها با توجه به تفاوت موجود در مشخصات فیزیکی آنها و مقایسه نتایج، مدل در مقیاس‌های ریزتر (برای سلولهای همرفتی ریزمقیاس) مورد استفاده قرار گیرد. و نیز با استفاده از روشهای مختلف پیش‌پردازش برای گوارد داده‌های مشاهداتی میتوان رفتار‌های مختلف مدل و حساسیت آن برای انتخاب طرحوارههای مختلف را آشکارسازی نمود. دلیل دیگری که میتوان برای عدم تفاوت قابل توجه طرحوارهها عنوان کرد این است که اگر مقیاس سلولهای همرفتی از مقیاس شبکهای بزرگتر باشد مدل می‌تواند به طور مستقیم این همرفت و بارش ناشی از آن را آشکارسازی نماید. لدا در این حالت تغییر دادن طرحوارههای پارامترسازی اثر چندانی روی اندازه و شدت بارش نخواهد داشت. برای پی بردن به این موضوع میتوان یک اجرای کنترل بدون در نظر گرفتن پارامترسازی همرفت را با این اجراها مقایسه نمود.
سپاس گزاری
از همکاری صمیمانه سرکار خانم محبوبه پورآتشی در اجرای مدل تشکر و قدردانی میشود.
)