تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,112,850 |
تعداد دریافت فایل اصل مقاله | 97,216,708 |
گزینش طرحوارۀ همرفت بهینه برمبنای دادههای رادار در حین اجرای مدل WRF برای پیشبینی کوتاهمدت بارش | ||
فیزیک زمین و فضا | ||
مقاله 10، دوره 43، شماره 3، مهر 1396، صفحه 585-600 اصل مقاله (936.91 K) | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2017.61681 | ||
نویسندگان | ||
محمود صفر1؛ فرهنگ احمدی گیوی* 2 | ||
1دانش آموخته دکتری هواشناسی، گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، ایران | ||
2دانشیار، گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، ایران | ||
چکیده | ||
هدف این پژوهش بررسی و پاسخ به این سؤال است که «آیا میتوان با استفاده از دادههای سنجش از دور مانند برگشتپذیری قطبش افقی رادار، بدون درگیر شدن با حجم بسیار بالای دادهپردازی در روشهای دادهگواری، روند اجرای مدلهای پیشبینی عددی وضع هوا را تسهیل کرد و دقت پیشبینی را افزایش داد؟» برای دستیابی به این هدف، علاوه بر طراحی و توسعة یک نرمافزار تحلیل دادههای راداری، مدل پیشبینی عددی میانمقیاس وضع هوا WRF بهنحوی توسعه یافته است که بر مبنای خروجی فراهمشده توسط مدل راداری و همچنین با نوآوری در بخش کنترل همرفت، تعیین بهترین طرحوارۀ همرفت در حین اجرای مدل پیشبینی عددی، امکانپذیر باشد. مدل عددی توسعهیافته برای یک بازۀ زمانی 12 ساعته بهمنظور بررسی چگونگی پیشبینی بسیار کوتاهمدت اجرا شده است. این آزمون با استفاده از 8 پیکربندی طرحوارههای فیزیکی و همچنین واردکردن دادههای راداری انجام گرفته است که در مجموع 40 اجرا را شامل میشود. بهعلاوه، در مطالعۀ موردی نیز رخداد یک تندوزة نسبتاً قوی در منطقۀ تهران در ساعت UTC 2330 روز 30 مارس 2009 بررسی شده است. بررسی نتایج با استفاده از شاخصهای ریشۀ میانگین مربعات خطا و همچنین همبستگی بین مقدار بارش پیشبینیشده با مقادیر ثبتشدة دیدبانی، بیانگر بهبود پیشبینی بارش بسیار کوتاهمدت 6 ساعته برای کلّ منطقۀ مورد مطالعه است. در این ارزیابیها، آزمون انطباق الگوی بارش پیشبینیشده با بارش دیدبانی نشان داد که الگوی بارش پیشبینیشده تا حد زیادی با دیدبانی همخوانی دارد و روشهای آماری نیز مؤید افزایش همبستگی بین بارش پیشبینیشده به مقدار 15/0 برای اجرای مرجع و دیدبانی و همچنین کاهش ریشۀ میانگین مربعات خطا به مقدار 2/0 است. بهعلاوه، برای ایستگاه هواشناسی مهرآباد تهران، سری زمانی بارش، تهیه و تحلیل و ارزیابی شد که نتایج حاکی از تأثیر بسیار خوب دادههای راداری بر کاهش سری زمانی ریشۀ میانگین مربعات خطا است. | ||
کلیدواژهها | ||
رادار هواشناسی؛ مدل پیشبینی عددی وضع هوا WRF؛ دادهگواری؛ بارش پیشبینیشده؛ طرحوارۀ همرفت؛ درستیسنجی | ||
مراجع | ||
صفر، م.، احمدی گیوی، ف. و گلستانی، ی.، 1395، کنترل کیفی داده های رادار هواشناسی با استفاده از ساختار افقی و قائم برگشت پذیری: مجله ژئوفیزیک ایران، 10(2)، 120-131. صفر، م.، احمدیگیوی، ف. و محبالحجه، ع.، 1391، بررسی اثر گوارد دادههای رادار در مدل عددی ARPS در شبیهسازی بارش حاصل از سامانه همدیدی 31 مارس 2009 در منطقه تهران: مجله ژئوفیزیک ایران، 6 (3)، 94-112. Albers, S., McGinley, J. M., Birkenheuer, D. and Smart, J., 1996, The local analysis and prediction system (LAPS): Analyses of clouds, precipitation and temperature. Wea. Forecasting, 11, 273–287. Barclay, P. E. and Wilk, K. E., 1970, Sever thunderstorm radar echo motion and related weather events hazardous to aviation operation. ESSA Tech. Mem., NSSL, 63 pp. Benjamin, S. G., Devenyi, D., Weygandt, S. S., Brundage, K. J., Brown, J. M., Grell, G. A., Kim, D., Schwartz, B. E., Smirnova, T. G., Smith, T. L. and Manikin, G. S., 2004, An hourly assimilation–forecast cycle: The RUC. Mon. Wea. Rev., 132, 495–518. Benjamin, S. G., Grell, G. A., Brown, J. M., Smirnova, T. G. and Bleck, R., 2004, Mesoscale weather prediction with the RUC hybrid isentropic-terrain-following coordinate model. Mon. Wea. Rev., 132, 473-494. Betts, A. and Miller, M. J., 1986, A new convective adjustment scheme. Part II: Single column tests using GATE wave, BOMEX, ATEX, and arctic airmass data sets. Quart. J. Roy. Meteor. Soc., 112, 693-709. Brewster, K., 1996, Implementation of a Bratseth analysis scheme including Doppler radar. Pages 19–23 in Proceeding of the 15th Conference on Weather Analysis and Forecasting, American Meteorological Society, Boston, USA. Browning, K. A., Collier, C. G., Larke, P. R., Menmuir, P., Monk, G. A. and Owens, R. G., 1982, On the forecasting of frontal rain using a weather radar network. Mon. Wea. Rev., 110, 534-552. Caya, A., Sun, J. and Snyder, C., 2005, A comparison between the 4DVAR and the ensemble Kalman filter techniques for radar data assimilation. Mon. Wea Rev., 133, 3081-3094. Daley, R., 1991, Atmospheric Data Analysis. Cambridge Atmospheric and Space Science Series, Cambridge University Press, 457pp. Dixon, M. and Wiener, G., 1993, TITAN: Thunderstorm identification, tracking, analysis, and nowcasting, A radar-based methodology. J. Atmos. Oceanic Technol., 10, 785–797. Ebert, E. and McBride, L., 2000, Verification of precipitation in weather systems: determination of systematic errors. J. Hydrol., 239, 179-202. Einfalt, T., Denoeux, T. and Jacquet, G., 1990, A radar rainfall forecasting method designed for hydrological purposes. J. Hydrol., 114, 229-224. Ghil, M., 1989, Meteorological Data Assimilation for Oceanographers. Part I: Description and Theoretical Framework. Dyn. Atmos. Oceans, 13, 171-218. Janjic, Z. I., 1994, The step-mountain Eta coordinate model: Further developments of the convection, viscous, sublayer, and turbulence colosure schemes. Mon. Wea. Rev., 122, 927-945. Janjic, Z. I., 2002, Nonsingular implementation of the Mellor-Yamada Level 2.5 Scheme in the NCEP Meso model. NCEP Office Note, No. 434, 61pp. Kain, J. S., 2004, The Kain-Fritsch convective parameterization: An update. J. Appl. Meteor., 43, 170- 181. Kain, J. S. and Fritsch, J. M., 1993, Convective parameterization for mesoscale models: The Kain-Fritsch scheme. The Representation of Cumulus Convection in Numerical Models, Meteor. Monogr., No. 46, Amer. Meteor. Soc., 165-170. Kain, J. S. and Fritsch, J. M., 1990, A one-dimensional entraining/detraining plume model and its application in convective parameterization. J. Atmos. Sci., 47, 2784-2802. Koskinen, J. T., Poutiainen, J., Schultz, D. M., Joffre, S., Koistinen, J., Saltikoff, E., Gregow, E., Turtiainen, H., Dabberdt, W. F., Damski, J., Eresmaa, N., Goke, S., Hyvarinen, O., Jarvi, L., Aarppinen, A., Kotro, J., Kuitunen, T., Kukkonen, J., Kulmala, M., Moisseev, D., Nurmi, P., Ponjola, H., Pylkko, P., Vesala, T., and Viisanen, Y., 2011, The Helsinki Testbed: A Mesoscale Measurement, Research and Service Platform. Bull. Amer. Met. Soc., 32, 325-342. Lin, Y., Ray, P. and Johnson, K., 1993, Initialization of a modeled convective storm using Doppler radar derived fields. Mon. Wea. Rev., 121, 2757–2775. Liu, Y., 2008, The operational mesogamma-scale analysis and forecast system of the U.S. army test and evaluation command’. Part I: overview of the modeling system, the forecast products, and how the products are used. J. Appl. Meteor. Climatol., 47, 1077–1092. Lorenc, A., 1986, Analysis methods for numerical weather prediction. Quart. J. Roy. Meteor. Soc., 112, 1177-1194. Lushine, J. B., 1976, Picture of the Month. Convective growth and movement as seen from GOES-1. Mon. Wea. Rev., 104, 1449-1450. Mueller, C., Saxen, T., Roberts, R., Wilson, J., Betancourt, T., Dettling, S., Oien, N. and Yee, J., 2003, NCAR auto-nowcast system. Wea. Forecasting, 18, 545–561. Noel, T. M. and Fleisher, A., 1960, The linear predictability of weather radar signals. MIT Dept. of Meteorology Research Rep. 34, 46 pp. Pierce, C. E., 2004, The nowcasting of precipitation during Sydney 2000: an appraisal of the QPF algorithms. Wea. Forecasting, 19, 7–21. Schroeder, A. J., Stauffer, D. R., Seaman, N. L., Deng, A., Gibbs, A. M., Hunter, G. K. and Young, G. S., 2006, An automated high-resolution, rapidly relocatable meteorological nowcasting and prediction system. Mon. Wea. Rev., 134, 1237–1265. Sugimoto, S., Crook, N., Sun, J. and Xiao, Q., 2008, An examination of WRF 3DVAR radar data assimilation on its capability in retrieving unobserved variables and forecasting precipitation through observing system simulation experiments. Mon. Wea. Rev., 137, 4011-4029. Sun, J. Z., Wang, H. L., Tong, W. X., Zhang, Y., Lin, C.-Y. and Xu, D. M., 2016, Comparison of the impacts of momentum control variables on high-resolution variational data assimilation and precipitation forecasting. Mon. Wea. Rev., 144, 149-169. Sun, J. Z. and Crook, N. A., 1998, Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part II: Retrieval experiments of an observed Florida convective storm. J. Atmos. Sci., 55(5), 835-852. Wang, W., Bruyère, C., Duda, M., Dudhia, J., Gill, D., Lin, H., Michalakes, J., Rizvi, S., Zhang, X., Beezley, J. D., Coen, J. L. and Mandel, J., 2014, User’s Guide for the Advanced Research WRF (ARW) Version 3.6, NCAR. Wang, Z., Droegemeier, K. and White, L., 1998, The adjoint truncated Newton algorithm for large-scale unconstrained optimization. Comput. Optimization Appl., 10(3), 283–320. Weygandt, S., Shapiro, A. and Droegemeier, K., 2002, Retrieval of model initial fields from single-Doppler observations of a supercell thunderstorm. I: Single-Doppler velocity retrieval. Mon. Wea. Rev., 130, 433–453. Wilson, J. W., Feng, Y., Chen, M. and Roberts, R. D., 2010, Nowcasting challenges during the Beijing Olympics: successes, failures, and implications for future nowcasting systems. Wea. Forecasting, 25, 1691-1714. Xu, M., Liu, Y., Davis, C. and Warner, T., 2002, Sensitivity of nudging parameters on the performance of a mesoscale FDDA system: A case study. 15th Conference on Numerical Weather Prediction, 12–16 August, 2002, San Antonio, Texas, 127–130. | ||
آمار تعداد مشاهده مقاله: 1,346 تعداد دریافت فایل اصل مقاله: 837 |