به‌کارگیری یک سامانه همادی توسعه داده‌شده برای مدل Wrf جهت پیش‌بینی میدان باد سطحی در محدوده خلیج فارس

نتایج حاصل از توسعه یک سامانه پیش‌بینی همادی برای مدل wrf  جهت پیش‌بینی میدان باد سطحی در محدوده خلیج‌فارس در تحقیق حاضر ارائه می‌شود. سامانه مذکور ترکیبی از ایجاد پریشیدگی در شرایط اولیه و استفاده از طرح‌واره‌های فیزیکی متفاوت می‌باشد. برای یافتن پیکربندی(های) مناسب مدل wrf از دیدگاه پارامترسازی‌های فیزیکی تعداد 14 پیکربندی انتخاب شده و پس از انجام اجراهای مدل برای چندین تاریخ منتخب و انجام اعتبارسنجی نتایج خروجی مدل به‌ویژه برای میدان باد، سه پیکربندی به‌عنوان پیکربندی‌های مناسب انتخاب شدند. سپس اعضای سامانه همادی با استفاده از ترکیب سه پیکربندی منتخب و ایجاد پریشیدگی در شرایط اولیه مدل با استفاده از روش مونت‌کارلو ایجاد می‌شوند. برای انجام شبیه‌سازی‌های مدل wrf برای هر یک از اعضای سامانه همادی از دو ناحیه محاسباتی تودرتو با تفکیک‌های مکانی 0/3 درجه و 0/1 درجه استفاده می‌شود. بررسی عملکرد پیش‌بینی‌های سامانه به کمک محاسبه پارامترهای آماری همچون ضریب همبستگی و جذر میانگین مربعات خطا در مقایسه با داده‌های مشاهدات شامل داده‌های ایستگاه‌های هواشناسی موجود در منطقه و داده‌های اندازه‌گیری شده توسط سنجنده‌های ماهواره‌ای (مانند quikscat و ascat) نشان‌ از عملکرد مناسب میانگین همادی در مقایسه با پیش‌بینی قطعی  برای پیش‌بینی میدان باد دارد.

Using an Ensemble Prediction System Developed for the WRF Model to Predict Surface Wind Over Persian Gulf

This work is devoted to present the results of an ensemble prediction system developed for the Weather Research and Forecasting (WRF) model to predict surface wind over the Persian Gulf. To construct the ensemble members a combination of perturbed initial condition (using Monte Carlo method) and model perturbations (using multi physical parameterization schemes) is employed. Here, an ensemble prediction system with 15 members (three physical parameterization schemes and five initial condition perturbations for each one) is used to generate the surface wind and other meteorological field predictions over the Persian Gulf. Assessment of the ensemble mean against the observational in situ and satellite (e.g., ASCAT and QuikSCAT) data indicates promising performance of the ensemble prediction system over the deterministic predictions.