|
|
پیکربندی بهینه مدل اقلیمی regcm4. 7 برای پیشبینی هفتگی بارش سه رخداد حدی مارس و آوریل 2019)
|
|
|
|
|
نویسنده
|
بابائیان ایمان ,کریمیان مریم ,مدیریان راهله
|
منبع
|
هواشناسي كشاورزي - 1400 - دوره : 9 - شماره : 2 - صفحه:48 -60
|
چکیده
|
پیشبینی بارش در مقیاس هفتگی تا ماهانه اهمیت زیادی در مدیریت منابع آب و کشاورزی دارد. هدف این مطالعه حصول به یک پیکربندی بهینه مدل منطقهای regcm4. 7 بر اساس طرحوارههای همرفت و لایه مرزی جهت پیشبینی بارش تجمعی هفتگی در سطح ایران می باشد. به این منظور رخدادهای بارشهای سنگین در اواخر اسفند 1397 تا فروردین 1398 انتخاب شد. در بازه زمانی مذکور ایران در معرض سه سامانه بارشی سیلآسا به ترتیب در تاریخهای 26 تا 29 اسفند 1397، 3 تا 6 فروردین و 10 تا 12 فروردین 1398 قرار گرفت. مدل منطقهای اقلیمی regcm4. 7 با استفاده از دادههای شرایط مرزی مدل گردش کلی cfsv. 2 تحت طرحوارههای همرفت و لایه مرزی مختلف اجرا و بروندادها با دادههای بارش پایگاه era5 مقایسه شدند. بارش تجمعی هر یک از سه هفته مورد مطالعه، از 6 تا 1 هفته قبل (6 پیشدید مختلف) پیشبینی شدند و توانایی هر یک از پیکربندیهای مختلف مدل در پیشدیدهای مختلف به کمک دو نمایه معتبر نمودار تیلور و کلینگ گوپتا (kge) بررسی شد. در مرحله انتخاب بهترین طرحوارههای همرفت کومولوس، شش طرحواره tiedtke، emanuel، grell، kian، kou و mm5 shallow watrer مورد ارزیابی قرار گرفتند. در مرحله اول توانمندی طرحوارههای تایدیک، امانویل و گرل به نسبت سایر طرحوارهها مناسب بودند. در مرحله دوم اثر طرحوارههای لایه مرزی مختلف بررسی و مشخص شد که به ترتیب ترکیب طرحوارههای همرفتلایه مرزی تایدیک هولستلاگ، تایدیکuw و گرل uw به ترتیب اولویت، به عنوان پیکربندی بهینه مدل regcm4. 7 انتخاب شدند. نتایج نشان دادند، علیرغم اینکه مقادیر kge بسیار خوب تنها در هفته اول پیشبینی (پیشدید 1) قابل حصول بوده و در هفتههای بعد چندان قابل توجه نیست، اما ضرائب همبستگی محاسبه شده نشان از توانایی نسبتاً مناسب در پیشدیدهای دو تا چهار هفتهای میباشد. با وجود مقادیر کم kge، همبستگیهای قابل قبول نشان میدهد که مدل regcm4. 7 تحت پیکربندی تایدیک-هولتسلگ میتواند الگوی کلی بارش تجمعی هفتگی را برای حدود چهار هفته آینده به خوبی پیشبینی نماید، هر چند در پیشبینی پراکنش مکانی بارش دارای ضعف نسبی است.
|
کلیدواژه
|
مدل regcm4. 7، پیکربندی، مدل cfsv. 2، بارشهای سنگین، اسفند 1397
|
آدرس
|
پژوهشگاه هواشناسی و علوم جو, پژوهشکده اقلیمشناسی, ایران, پژوهشگاه هواشناسی و علوم جو, پژوهشکده اقلیم شناسی, ایران, پژوهشگاه هواشناسی و علوم جو, پژوهشکده اقلیم شناسی, ایران
|
|
|
|
|
|
|
|
|
|
|
Optimum configuration of RegCM4. 7 model in prediction of weekly cumulative precipitation during three extreme precipitation events of MarchApril 2019
|
|
|
Authors
|
Babaeian Iman ,Karimian maryam ,Modirian Raheleh
|
Abstract
|
From March 1 to April 4, 2019, three flashflood events occurred across different areas of Iran. The purpose of this study is to select the optimum configuration of RegCM4. 7 regional climate model for weekly precipitation prediction several days ahead of these extreme events. For this purpose, the RegCM4. 7 climate model was run using the CFSv. 2 general circulation model boundary layer conditions and cumulus convection scheme. The results were compared with the ERA5 reanalysis using Taylor diagram and Kling Gupta (KGE) index. Accumulated precipitation of each of the three selected weeks was predicted in 6 different lead times. To select the best convection schemes, six of them namely. Tiedtke, Emanuel, Grell, Kian, Kou and MM5 shallow water were evaluated under the conditions of extreme events. In the first stage, the Tiedtke, Emanuel and Grell schemes showed better performance compared to other schemes. In the second stage, the effect of different boundary layer schemes was investigated. It was found that Tiedtke Holtslag, Tiedtke UW and GrellUW are the most appropriate configuration of RegCM4. 7 model in predicting heavy rainfall in the study period, respectively. Although good KGE values was only obtained for one week ahead, but the correlation coefficients were relatively good for hindcast with lead time of 24 weeks. Despite of low KGE values for the weeks beyond second week, acceptable correlations coefficients confirms that the RegCM4. 7 model under the Tiedtke Holtlag configuration is capable of weekly cumulative prediction precipitation well in advance, although it has weak capability in predicting precipitation spatial pattern.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|