مطالعه تطبیقی کارایی دو مدل برف در یکی از مرتفع‌ترین ایستگاه‌های سینوپتیک ایران

در پژوهش حاضر، کارآیی دو مدل برف تجربی و فیزیکی در ایستگاه زرینه اوباتو طی دوره 2022-1989 مورد ارزیابی قرار گرفت. جهت واسنجی این دو مدل که با به‌کارگیری روش عدم قطعیت درست‌نمایی تعمیم‌یافته (glue) انجام شد 6 پارامتر انتخاب و پس از تولید 8000 بردار تصادفی از دامنه عدم قطعیت این پارامترها و اجرای مدل‌ها بر اساس آنها طی دوره 2022-1989، از شاخص‌های rmse، mbe و ضریب نش-ساتکلیف جهت شناسایی شبیه‌سازی‌های برتر (1 درصد کل شبیه‌سازی‌ها) استفاده شد. رویکرد فوق جهت فرایند اعتبارسنجی مدل‌ها نیز انجام شد با این تفاوت که مدل‌ها بر اساس سال‌های فرد واسنجی و بر روی سال‌های زوج مورد اعتبارسنجی قرار گرفتند. نتایج حاکی از کارآیی مناسب هر دو مدل در شبیه‌سازی عمق برف بود اما مدل فیزیکی در مجموع عملکرد بهتری از خود نشان داد. نتایج همچنین نشان داد بهترین عملکرد هر دو مدل به هنگام شبیه‌سازی عمق برف‌های متوسط رخ داد و در شبیه‌سازی برف‌های سبک، متمایل به بیش‌برآوردی و در شبیه‌سازی برف‌های سنگین متمایل به کم‌برآوردی بودند. تحلیل حساسیت مدل‌های برف نشان داد ذوب برف جزو فرایندهای کلیدی در هر دو مدل محسوب می‌شود. نظر به محدود بودن داده‌های اندازه‌گیری‌شده برف در ایران و همچنین لزوم به‌کارگیری مدل‌های برف جهت مقاصدی مثل برآورد برف طی دوره‌های گذشته و پیش‌نگری آن طی دوره‌های آتی در واکنش به تغییرات اقلیمی، نتایج کلی این پژوهش موید آن است که مدل‌های مورد بررسی پتانسیل مناسبی جهت شبیه‌سازی متغیرهای مختلف مرتبط با برف دارند و استفاده از این مدل‌ها به ویژه مدل فیزیکی قویاً پیشنهاد می‌گردد.

comparative study of the performance of two snow models at one of the highest synoptic stations in iran

in this study, the performance of two empirical and physical snow models at the zarrineh obatou synoptic station during the period 1989-2022 was evaluated. to calibrate these models, the generalized likelihood uncertainty estimation (glue) method was employed by selecting 6 parameters and generating 8000 random vectors from the uncertainty domain of these parameters. the models were then run based on these parameters over the period 1989-2022, using rmse, mbe, and nash-sutcliffe coefficient to identify the best simulations (1% of total simulations). this procedure was also used for model validation, with the models being calibrated based on odd years and validating on even years. the results indicated approperiate performance of both models in simulating snow depth at the zarrineh station, with the physical model demonstrating better overall performance compared to the empirical model. the results also showed that the best performance of both models occurred during the simulation of moderate snow depths, with both models tending to overestimate light snow and underestimate heavy snow. sensitivity analysis of models indicated that snow melting processes are key processes in both models. given the limited measured data on snow in iran and the necessity of using snow models for various purposes such as estimating past snow and projection of future snow in response to climate change, the overall results of this study suggest that the studied models in this research have a good potential for simulating various snow-related variables in iran and employing them (especially the physical model) is strongly recommended.