تحليل عدم‌قطعيت پيش‌بيني سيل با پيش‌بيني گروهي بارش هفت مدل عددي براي سيل گلستان در بهار 1398

Uncertainty of Flood Forecasts via ensemble precipitation forecasts of seven NWP Models for Spring 2019 Golestan Flood

امروزه پيشرفت‌هاي زيادي در زمينه بهبود پيش‌بيني‌هاي هواشناسي صورت گرفته است، در همين راستا سيستم پيش‌بيني گروهي براي كاهش عدم‌قطعيت‌هاي پيش‌بيني ايجاد شده است. در اين تحقيق، عملكرد هفت مدل عددي پيش‌بيني گروهي بارش در پيش‌بيني سيل ابتداي سال 1398 در زيرحوضه ساليان از حوضۀ آبريز گرگانرود، بررسي شد. در ابتدا، پيش‌بيني‌هاي گروهي بارش با روش نگاشت چندك گاما تصحيح اريبي شدند. سپس پيش‌بيني‌هاي گروهي جريان با پيش‌بيني بارش هفت مدل به كمك مدل بارش‌-رواناب مفهومي GR4J بدست آمد. هم‌چنين جهت محاسبه پارامترهاي بهينه براي واسنجي مدلGR4J، چهار روش بهينه‌سازي استفاده شد و براساس پارامترهاي بهينه بدست آمده، پيش‌بيني‌هاي گروهي جريان با پيش‌بيني‌هاي بارش انجام شد و در انتها عدم‌قطعيت مدل‌هاي عددي براساس ورودي‌ به مدل هيدرولوژيكي بررسي گرديد. نتايج تحقيق نشان داد كه تصحيح اريبي تاثير زيادي در بهبود پيش‌بيني سيل در حوضه ساليان دارد و باندهاي عدم‌قطعيت مدل‌هايECMWF، NCMRWF و UKMOمقادير سيل مشاهداتي را بخوبي پوشش دادند، بطوريكه مقدار P-factor و R-factor مدلECMWF بترتيب برابر با 0.5 و 0.96 بود اگرچه باندهاي بالا و پايين اين مدل تقارن خوبي نداشتند. مدل‌‌هاي NCEP و CMA نسبت به ساير مدل‌ها، مهارت كمتري در پيش‌بيني سيل داشتتند و مقدار P-factor آنها بترتيب برابر با 0.2 و 0.15 بود. مدل JMA، سيل گرگان را خيلي دست بالا برآورد نمود. مدل ECCC با اينكه 65 درصد مقادير سيل مشاهداتي را پوشش داده بود ولي فاصله بين باندهاي بالا و پايين آن زياد بود. در مجموع نتايج برخي مدل‌ها براي اين حوضه رضايت‌بخش بود و استفادۀ از آن‌ها براي سيستم هشدار سيل توصيه مي‌شود.

Nowadays, much effort has been made in improving meteorological forecasts. In this regard, ensemble forecasting systems have been developed to reduce forecast uncertainties. In this study, the performance of ensemble precipitation forecasts of seven numerical models in 2019 Gorganroud floods was studied. Initially, the precipitation forecasts of the seven numerical models were bias-corrected via gamma quantile mapping method. Then ensemble streamflow forecasts were obtained by ensemble precipitation of seven models using the GR4J conceptual rainfall-runoff model. Based on the optimized parameters, ensemble streamflow forecasts were performed with precipitation forecasts inputs while uncertainty of the models was analyzed based on inputs to the hydrological model. The results showed that the bias correction had a great impact on the improvement of flood forecast in the study basin such that the uncertainty bands of the ECMWF, NCMRWF and UKMO models well covered the observed flood values. P-factor and R-factor values of the ECMWF model was 0.5 and 0.96, respectively; however, the upper and lower bands of ECMWF model was symmetrical. The NCEP and CMA models had poorer performance in flood forecast compared with other models so that their P-factor values were 0.2 and 0.15, respectively. The JMA model overestimated the 2019 flood. Although the ECCC model bands covered 65% of the observed flood values, the gap between the upper and lower bands was quite high. Overall, the results of a number of NWP models in the study basin were satisfactory and their application is generally recommended for flood warning systems.