بخشی از مقاله
چکیده
در این مطالعه عملکرد 5 طرحواره میکروفیزیکی مدل پیشبینی عددی میان مقیاس WRF برای بارش بر روی 10 ایستگاه استان تهران برای 12 روز فصل زمستان سال 91 بررسی میشود. مدل با طرحوارههای Thompson, Ferrier, WSM5, WSM3و Lin اجرا و با مقادیر دیدبانی در تاریخ مورد نظر مقایسه و راستآزمایی شد. نتایج به دست آمده نشان میدهند که بین طرحوارهها اختلاف ناچیزی وجود دارد. در این تحقیق طرحواره WSM5 دارای بهترین و طرحواره WSM3 دارای بدترین کارایی البته با اختلافی خیلی ناچیز میباشند.
-1 مقدمه
بارش یکی از کمیتهای مهم جوی است، که داشتن آگاهی از زمان و مقدار آن میتواند کمک بسیاری به فعالیتهای بشری داشته باشد. به عنوان مثال می توان به اهمیت بارش در زمینه صنعت کشاورزی، حمل و نقل - دریایی، زمینی و هوایی - ، عمران - شهرسازی، سدسازی و... - و بسیاری دیگر اشاره کرد. در هرکدام از موارد فوق یک پیشبینی درست علاوه بر بازدههی بالا و کاهش در هزینه، از خسارات وارده ناشی از بارش جلوگیری مینماید. به همین منظور هواشناسان و محققین در این عرصه همواره به دنبال راهی برای ارائه یک پیشبینی دقیق بارش بوده و هستند. پیشبینی همادی یکی از راههای استفاده از یک دسته پیشبینی است. این روش در حقیقت استفاده از خروجی چند مدل پیشبینی یا یک مدل با پیکربندیهای مختلف است.
در این زمینه میتوان به ارزیابی اجرای مدل WRF با پیکر بندی های مختلف برای بارش در جنوب غرب استرالیا - جیسون پی اونس و همکاران - 2012، پیشبینی احتمالی بارش با استفاده از پسپردازش برونداد یک سامانه همادی - آزادی و همکاران - 1389 و بررسی عملکرد مدلهای منطقهای HRM، MM5 و WRF برای پیش بینی بارش روی ایران - آزادی و همکاران - 2013 اشاره کرد. در مطالعه اول از 36 پیکربندی مختلف مدل WRF استفاده شد نتیجه چنین حاصل شد که برای مدل عددی WRF باید اقلیم مورد نظر و متغیرهای اقلیمی را مد نظر قرار داد و با توجه به منطقه اقلیمی مورد نظر پیکر بندی را انتخاب نمود.
به عنوان مثال بر اساس نتایج بدست آمده طرحواره لایه مرزی ملور- یامادا- جانجیک - Mellor-Yamada-Janjic - و طرحواره همرفتی بتس- میلر- جانجیک - Betts-Miller-Janic - میتوانند ترکیب خوبی برای این منطقه باشند و با یک احتمال قوی چنین به دست آمد که طرحواره لایه مرزی دانشگاه یونسی - Yonesi University - ، طرحواره همرفتی و طرحواره تابشی RRTMG نباید در یک ترکیب در این منطقه قرار بگیرند. همچنین نتایج خاطرنشان کرد که انتخاب طرحوارههای فیزیکی مختلف تاثیر بزرگی در کارایی مدل در رخداد بارشهای شدید دارد.
-2 روش تحقیق
در این پژوهش مدل WRF با 5 طرحواره مختلف میکروفیزیکی ابر برای 12 روز در فصل زمستان اجرا و نتایج به دست آمده با دادههای دیدبانی 10 ایستگاه استان تهران مقایسه و سپس راستآزمایی شد. برای استخراج دادههای مدل از فایلهای خروجی مدل، از نرمافزار UPP که تفکیک 0/5 درجه دارد، استفاده شد. همانطور که میدانیم بارش میتواند به صورتهای مختلف مانند باران، برف، تگرگ و ... باشد. در مدل بارشها بر حسب نوع آنها تفکیک میشوند. مقادیر بارشهای همرفتی، پوششی، رگباری، برف، تگرگ و برفدانه به صورت مجزا میباشند، بنابراین برای استخراج بارش کلی کمیت RAINC+RAINNC محاسبه، و به این ترتیب دادههای پیشبینی به دست آمد.
با توجه به متفاوت بودن نوع بارش ها از 10 ایستگاه استفاده شد که بنا به موقعیت هرکدام بارش در هر منطقه متفاوت است، مثلا بارش در ایستگاههای پرارتفاع استان تهران مانند آبعلی، دماوند و فیروزکوه در فصل زمستان اغلب به صورت برف می باشد و در ایستگاههای داخل شهر تهران مانند فرودگاه مهرآباد و ژئوفیزیک بارش برف کمتر و اغلب بارشها به صورت باران است. با توجه به اینکه بعضی از این ایستگاهها 24 ساعته و بعضی دیگر 18 ساعته و 12 ساعته می باشند، داده های دیدبانی با استفاده از فرم آمار ماهیانه هر ایستگاه - در این فرم بارش 24 ساعته هرروز در ساعت 06 گرینویچ مطابق با 9:30 محلی در روز بعد با ذکر نوع بارش ثبت میگردد، به دست آمد.
-3 کمیتهای راست آزمایی و نتایج کمیت نسبت صحیح - - PC
این کمیت نسبت پیشبینیهای درست به کل پیشبینی میباشد. هرچه این کمیت بزرگتر باشد دقت پیشبینی بیشتر است. با توجه به نمودار بدست آمده مشاهده میشود که تفاوت چندانی بین طرحوارههای مختلف مشاهده نمیشود و اختلاف در حدود صدم میباشد شکل . - 1 - کمیت امتیاز تهدید - - TS نسبت تعداد مواردی که پدیده به درستی پیشبینی شده به مجموع تعداد مواردی که پدیده مورد نظر رخ داده یا پیشبینی شده است. این کمیت بین صفر و یک است و هرچه به یک نزدیکتر باشد پیشبینی دقیقتر است. در این کمیت نیز اختلاف چندان نیست ولی تنها طرحواره WSM5 از0/ بزرگتر و از همه نیز بیشتر است - شکل . - 1
کمیت نسبت بختیها - -
این کمیت در حقیقت نسبت حاصلضرب پیشبینیهای درست به حاصلضرب پیشبینیهای نادرست است. هرچه این کمیت بزرگتر باشد پیشبینی دقیق تر است. با توجه به نمودار مقدار این کمیت بین 2/5 تا 3/5 میباشد. طرح وارههای Lin، Ferrier و Thompson دارای مقادیر یکسان و طرحواره WSM5 دارای بیشترین مقدار و WSM3 دارای کمترین مقدار است - شکل . - 1
کمیت اریبی - B -
مقدار انحراف میانگین پیشبینی از میانگین دیدبانی متناظرآن است. برای B=1 پیشبینی دقیق، و برای B>1 و B<1 به ترتیب فراپیشبینی و فروپیشبینی داریم. در نمودار به دست آمده مشاهده میشود که در تمامی موارد B>1 میباشد و مقدار B برای WSM5 از دیگر طرحوارهها به یک نزدیکتر است. اختلاف بین مقادیر در حدود صدم میباشد - شکل . - 1
کمیت نسبت هشدارهای نادرست - FAR -
نسبت تعداد پیشبینیهای نادرست به تعداد کل پیشبینی های وقوع پدیده است. در بهترین حالت کمیت برابر با صفر و در بدترین حالت کمیت برابر با یک میباشد. با توجه به نمودار اختلاف بین طرحوارهها در حدود صدم است. طرحوارههای Lin، Thompson و Ferrier دارای مقادیر یکسان و WSM5 و WSM3 به ترتیب دارای کمترین و بیشترین مقدار است - شکل . - 1
کمیت آهنگ برخورد H - یا - POD
نسبت تعداد پیشبینیهای درست وقوع پدیده به تعداد کل دیدبانیهای پدیده مورد نظر است. به این معنا که اگر ایستگاهی در مدت یکسال تنها 15 روز بارندگی گزارش کرده، مقدار H نشان میدهد که چه کسری از این 15 روز درست پیشبینی شده است. نمودار روبرو نشان میدهد که اختلاف بین طرحوارهها بسیار ناچیز و در حدود صدم است - شکل . - 1
کمیت آهنگ هشدارهای تقلبی - F -
نسبت کل تعداد پیشبینیهای نادرست به تعداد کل دیدبانیهایی که پدیده مورد نظر اتفاق نیافتاده است. با مشاهده نمودار میتوان دریافت که اختلاف بین طرحوارهها در حدود صدم میباشد. طرحوارههای Thompson, Lin و Ferrier دارای مقادیر یکسان و بیشترین مقدار و WSM5 دارای کمترین مقدار است.
کمیت امتیاز مهارتی هایدکه - HSS -
این امتیاز بهبود نسبی پیشبینی به پیشبینی کاملا تصادفی را نشان میدهد. برای پیشبینی کامل مقدار یک و برای پیشبینیهایی که معادل با پیشبینی مرجع باشد مقدار صفر و برای پیشبینیهای بدتر از پیشبینی مرجع مقدار منفی میگیرد. - - <HSS<=1 - شکل - 1 - نشان میدهد که برای تمامی طرحوارهها این کمیت بین 0/2 و 0/3 است. همچنین طرحوارههای Lin، Thompson و Ferrier دارای مقادیر یکسان و WSM5و WSM3 به ترتیب دارای بیشترین و کمترین مقدار هستند. در نمودار زیر نتایج به صورت کلی نشان داده شده است.
