بهبود تخمین جزر و مد در خلیج‌فارس با استفاده از همگون‌سازی داده‌ها

مدل‌های هیدرودینامیکی عموماً برای پیش‌بینی سطح آب و شدت جریانات مورد استفاده قرار می‌گیرند. اما به دلیل عدم قطعیت‌هایی نظیر دقت داده‌های ورودی یا معادلات حاکم، همواره نتایج خاص از این مدل‌ها دارای خطا هستند. روش همگون‌سازی داده‌ یکی از موثرترین راه‌کارها برای جبران برخی از این خطاها و کنترل آن در مدل است. در این مقاله کارایی یکی از روش‌های پیشرفته همگون‌سازی به نام فیلتر گروهی کالمن جهت بهبود پیش‌بینی تراز سطح آب در محدوده‌ی خلیج فارس بررسی می‌شود. برای این منظور از نرم‌افزار هیدرودینامیکی delft3dfm برای مدل‌سازی هیدرودینامیکی و ابزار متن باز open da برای اجرای فیلتر کالمن استفاده می‌شود. open da به نحوی توسعه داده می‌شود که یک مجموعه‌ای از فیلتر گروهی کالمن برای بهبود نیروهای مرزی به مدل هیدرودینامیکی یاد شده کوپل شود. آزمایشی برای بهبود برآورد نیروهای جزر و مد در حوضه‌ی خلیج فارس مورد بررسی قرار گرفت که طی آن، پارامترهای تعداد گروه، خطای ایستگاه مشاهداتی، خطای مرز باز و همچنین بهترین ایستگاه موجود مورد بحث و آزمایش قرار گرفت وبهینه‌ترین پارامتر‌ها به دست آمدند. نتایج نشان می‌دهد که همگون‌سازی داده‌ها با استفاده از فیلتر گروهی کالمن پیش‌بینی موثر و کارآمدی در ایستگاه‌های مشاهداتی دارد و می‌تواند نتایج مدل عددی را بهبود ببخشد.

Enhanced predictions of tides in the Persian Gulf through data assimilatio

AbstractHydrodynamic models are widely used for simulating water level and oceanic current; however due to uncertainties involved in this process such as accuracy of input data or realization of the governing equations, there are some errors in the simulation results. Data assimilation is one of the effective solutions to avoid and to limit some of these errors. This manuscript evaluates how Ensemble Kalman filter, one of the most advance assimilation techniques, can enhance water elevation predictions in the Persian Gulf. The open source Delft3D FM was used as a hydrodynamic model and open source code of Open DA was employed to apply Kalman Filter. The Open DA was coupled inside the code of hydrodynamic model to improve its performance. We have setup several experiments to estimate the best number of groups, error parameter of observations, error parameter of open boundary, and the most effective station for assimilation. The results show that the data assimilation can effectively improve the hydrodynamic model results and can be used for real applications.