ارزیابی عدم قطعیت ناشی از دادههای بارش میان‌مدت سامانه جهانی TIGGE جهت پیش‌بینی سیلاب

الموضوعات :

سودابه بهیان مطلق ¹ (دانشجوی دکتری آبخیزداری، گروه مهندسی طبیعت، دانشکده منابع‌طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد.)
افشین هنربخش ² (دانشیار، گروه مهندسی طبیعت، دانشکده منابع‌طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد.)
اصغر عزیزیان ³ (دانشیار، گروه علوم و مهندسی آب، دانشگاه بین‌المللی امام خمینی (ره)، قزوین.)

تاريخ الإرسال : 13 الجمعة , جمادى الثانية, 1444 تاريخ التأكيد : 26 الإثنين , رمضان, 1444 تاريخ الإصدار : 01 الجمعة , شوال, 1444

الکلمات المفتاحية: سیستم پیش‌بینی گروهی, سامانه پیش‌بینی و هشدار سیل, تصحیح اریبی, مدل‌های عددی پیش‌بینی بارش,

ملخص المقالة :

زمینه و هدف: وقوع سیلاب‌های مکرر در ایران، لزوم یک سامانه پیش‌بینی و هشدار سیل با زمان پیش هشدار مناسب را ضروری می‌نماید. استفاده از مدل‌های عددی پیش‌بینی بارش در پیش‌بینی و هشدار سیل از جمله اقدامات مهمی است که توسط محققان در اکثر نقاط جهان به کاربر برده می شود. پایگاه داده TIGGE دربرگیرنده پیش بینی‌های میان‌مدت بارش شبیه‌سازی‌شده توسط مراکز پیش‌بینی جهانی است. هدف از پژوهش حاضر، ارزیابی کارایی و میزان عدم قطعیت ناشی از پیش بینی های بارش چهار مدل‌ عددی پایگاه داده TIGGE (شامل CPTEC، ECCC، ECMWF و KMA) برای شبیه سازی سیلاب با مدل هیدرولوژیکی HEC-HMS است.روش پژوهش: در این تحقیق جهت ارزیابی عدم قطعیت دبی حاصل از مدل‌های پیش‌بینی بارش پایگاه داده TIGGE در حوضه آبخیز پلدختر، از آمار بارش هفت ایستگاه هواشناسی استفاده شد. همچنین سه رویداد سیل 24 اسفند 1397، 6 فروردین 1398 و 15 فروردین 1398 موردمطالعه قرار گرفت. در ابتدا پیش‌بینی‌های بارش از چهار مرکز CPTEC، ECCC، ECMWF و KMA استخراج گردید. به دلیل وجود خطای سیستماتیک در داده‌های مورد نظر، تصحیح اریبی روی آن‌ها صورت گرفت و به‌منظور تصحیح اریبی، از روش Delta استفاده شد. پیش‌بینی‌های پردازش‌شده و خام چهار مدل پیش‌بینی بارش، جهت پیش‌بینی سیلاب وارد مدل HEC-HMS شده و در مرحله بعد، ارزیابی عدم قطعیت جریان حاصل از مدل HEC-HMS در تمام اعضای چهار مدل پیش‌بینی بارش انجام شد. در تحقیق حاضر برای تحلیل عدم قطعیت از 5 فاکتور P، R، S، T و RD استفاده گردید. در نهایت احتمال هشدار سیل پیش‌بینی شد.یافته‌ها: نتایج حاصله حاکی از برتری قابل‌توجه مدل ECMWF در پیش‌بینی رویدادهای بارش است. استفاده از هر 4 منبع بارشی، منجر به شبیه سازی قابل‌قبول دبی اوج سیلاب در سه رخداد مختلف شد. همچنین زمان وقوع دبی اوج پیش‌بینی‌شده اختلاف کمی با داده مشاهده‌ای داشت. با توجه به نتایج تحلیل عدم قطعیت، مدل ECMWF بر اساس فاکتورهای P، R، S، T و RD به‌عنوان بهترین مدل در نظر گرفته شد. مدل KMA در سیلاب‌های شدید و بسیار شدید عملکرد مناسبی داشت. سیستم پیش‌بینی گروهی مدل‌های TIGGE نیز در همه وقایع، عملکرد قابل قبولی داشت. همچنین مدل پیش‌بینی هواشناسی- هیدرولوژیکی زمان وقوع سیل و احتمال وقوع را به‌خوبی پیش‌بینی نمود.نتایج: تحقیق مورد نظر، پیش‌بینی و هشدار سیل در حوزه آبخیز پلدختر را با استفاده از سیستم هواشناسی-هیدرولوژیکی، بر پایه پیش‌بینی‌های هواشناسی پایگاه داده TIGGE و شبیه‌سازی سیل با استفاده از مدل هیدرولوژیکی HEC-HMS مورد بررسی قرار می‌دهد. محصول نهایی این سیستم، دبی احتمالی و پیش‌بینی سیل است. نتایج حاصله نشان‌دهنده موفقیت پایگاه داده TIGGE در پیش‌بینی سیل است. مدل ECMWF در پیش‌بینی دبی اوج برتری داشت. از روش محاسبه باند بالا و پایین جهت تعیین عدم قطعیت استفاده شد که عدم قطعیت را به‌خوبی نشان داد. این سیستم زمان دبی اوج را به‌خوبی و با تأخیر زمانی اندک نمایش داد که بیانگر عملکرد خوب آن است. بارش پیش‌بینی‌شده حاصل از چهار مرکز مورداستفاده در این مطالعه (ECMWF ,ECCC , CPTEC , KMA) تفاوت‌های قابل‌توجهی دارند، برای کاهش این تفاوت‌ها از سیستم پیش‌بینی گروهی چند مدلی استفاده نمودیم که نتایج دلگرم‌کننده‌ای داشت.

المصادر:

Alfieri, L., Burek, P., Dutra, E., Krzeminski, B., Muraro, D., Thielen, J., & Pappenberger, F. (2013). GloFAS–global ensemble streamflow forecasting and flood early warning. Hydrology and Earth System Sciences, 17(3), 1161–1175.

Aminyavari, S., Saghafian, B., & Sharifi, E. (2019). Assessment of precipitation estimation from the NWP models and satellite products for the spring 2019 severe floods in Iran. Remote Sensing, 11(23). https://doi.org/10.3390/rs11232741

Ayzel, G., Varentsova, N., Erina, O., Sokolov, D., Kurochkina, L., & Moreydo, V. (2019). OpenForecast: The First Open-Source Operational Runoff Forecasting System in Russia. Water (Switzerland), 11(8). https://doi.org/10.3390/w11081546

Bao, H. J., Zhao, L. N., He, Y., Li, Z. J., Wetterhall, F., Cloke, H. L., … Manful, D. (2011). Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast. Advances in Geosciences, 29(51509043), 61–67. https://doi.org/10.5194/adgeo-29-61-2011

Bartholmes, J., & Todini, E. (2005). Coupling meteorological and hydrological models for flood forecasting. Hydrology and Earth System Sciences Discussions, 9(4), 333–346.

Bauer, P., Thorpe, A., & Brunet, G. (2015). The quiet revolution of numerical weather prediction. Nature, 525(7567), 47–55.

Beyer, R., Krapp, M., & Manica, A. (2020). An empirical evaluation of bias correction methods for palaeoclimate simulations. Climate of the Past, 16(4), 1493-1508.‏

Cai, C., Wang, J., & Li, Z. (2019). Assessment and modelling of uncertainty in precipitation forecasts from TIGGE using fuzzy probability and Bayesian theory. Journal of Hydrology, 577. https://doi.org/10.1016/j.jhydrol.2019.123995

Cloke, H. L., & Pappenberger, F. (2009). Ensemble flood forecasting: A review. Journal of Hydrology, 375(3–4), 613–626. https://doi.org/10.1016/j.jhydrol.2009.06.005

Collischonn, W., Morelli Tucci, C. E., Clarke, R. T., Chou, S. C., Guilhon, L. G., Cataldi, M., & Allasia, D. (2007). Medium-range reservoir inflow predictions based on quantitative precipitation forecasts. Journal of Hydrology, 344(1–2), 112–122. https://doi.org/10.1016/j.jhydrol.2007.06.025

He, Y., Wetterhall, F., Cloke, H. L., Pappenberger, F., Wilson, M., & Freer, J. (2009). Tracking the uncertainty in flood alerts driven by grand. Meteorological Applications, 101(February), 91–101. https://doi.org/10.1002/met

Hopson, T. M., & Webster, P. J. (2010). A 1–10-day ensemble forecasting scheme for the major river basins of Bangladesh: Forecasting severe floods of 2003–07. Journal of Hydrometeorology, 11(3), 618–641.

Krishnamurti, T. N., Sagadevan, A. D., Chakraborty, A., Mishra, A. K., & Simon, A. (2009). Improving multimodel weather forecast of monsoon rain over China using FSU superensemble. Advances in Atmospheric Sciences, 26(5), 813–839.

Louvet, S., Sultan, B., Janicot, S., Kamsu-Tamo, P. H., & Ndiaye, O. (2016). Evaluation of TIGGE precipitation forecasts over West Africa at intraseasonal timescale. Climate Dynamics, 47(1), 31–47.

Maraun, D., & Widmann, M. (2018). Statistical downscaling and bias correction for climate research. Cambridge University Press.‏

Mendez, M., Maathuis, B., Hein-Griggs, D., & Alvarado-Gamboa, L. F. (2020). Performance evaluation of bias correction methods for climate change monthly precipitation projections over Costa Rica. Water (Switzerland), 12(2). https://doi.org/10.3390/w12020482

Räty, O., Räisänen, J., & Ylhäisi, J. S. (2014). Evaluation of delta change and bias correction methods for future daily precipitation: intermodel cross-validation using ENSEMBLES simulations. Climate Dynamics, 42(9), 2287–2303.

Roulin, E. (2007). Skill and relative economic value of medium-range hydrological ensemble predictions. Hydrology and Earth System Sciences, 11(2), 725–737. https://doi.org/10.5194/hess-11-725-2007

Roulin, E., & Vannitsem, S. (2005). Skill of medium-range hydrological ensemble predictions. Journal of Hydrometeorology, 6(5), 729–744.

Rousset, F., Habets, F., Martin, E., & Noilhan, J. (2007). Ensemble streamflow forecasts over France, ECMWF Newsletter, 111, 21–27.

Saedi, A., Saghafian, B., & Moazami, S. (2020). Uncertainty of Flood Forecasts via Ensemble Precipitation Forecasts of Seven NWP Models for Spring 2019 Golestan Flood. Iran-Water Resources Research, 16(1). [in Persian]

Thiemig, V., Bisselink, B., Pappenberger, F., & Thielen, J. (2015). A pan-African medium-range ensemble flood forecast system. Hydrology and Earth System Sciences, 19(8), 3365–3385.

Thirel, G., Rousset-Regimbeau, F., Martin, E., & Habets, F. (2008). On the impact of short-range meteorological forecasts for ensemble streamflow predictions. Journal of Hydrometeorology, 9(6), 1301–1317. https://doi.org/10.1175/2008JHM959.1

Xiong, L., Wan, M., Wei, X., & O’Conno, K. M. (2009). Indices for assessing the prediction bounds of hydrological models and application by generalized likelihood uncertainty estimation. Hydrological Sciences Journal, 54(5), 852–871. https://doi.org/10.1623/hysj.54.5.852

Ye, J., Shao, Y., & Li, Z. (2016). Flood Forecasting Based on TIGGE Precipitation Ensemble Forecast. Advances in Meteorology, 2016. https://doi.org/10.1155/2016/9129734