حساسیت‌سنجی مدل WRF به پیکربندی فیزیکی و فرآیندهای همرفتی در پیش‌بینی فصلی بارش در شمال شرق ایران

نویسندگان

1 استاد، گروه آب و هواشناسی دانشکده جغرافیا دانشگاه تهران، تهران، ایران

2 استاد، گروه آب و هواشناسی دانشکده جغرافیا دانشگاه تهران، تهران، ایران

3 دانشجوی دکتری آب و هواشناسی دانشگاه تهران، تهران، ایران

4 دانشیار، گروه آب و هواشناسی دانشکده جغرافیا دانشگاه تهران، تهران، ایران

5 دانشیار، پژوهشکده هواشناسی و علوم جو، تهران، ایران

doi
چکیده

فرآیندهای همرفتی در مدل‌سازی پیش‌بینی‌های جوی در کنار پارامتر‌‌ی‌سازی های فیزیکی و شرایط اولیه و مرزی همواره موردتوجه است زیرا پیش‌بینی‌های عددی بویژه در مورد بارش با شدت به پارامترسازیهای فیزیکی ازجمله لایه‌مرزی سیاره‌ای، مدل سطح زمین، فرآیندهای همرفتی و ... وابسته است. در این مطالعه داده‌هایCFSv2 ، از مجموعه پیش‌بینی های فصلیNCEP با مدل WRF به مقیاس منطقه‌ای تبدل ( با دامنه های 54، 18 و 6 کیلومتر) و حساسیت پیش‌بینی فصلی بارش توسط مدل تحقیقاتی آب‌وهوا به پارامتری سازی لایه‌مرزی سیاره‌ای و فرآیندهای همرفتی مورد تحلیل قرارگرفته است. با توجه به هدف این مطالعه برای ارزیابی نقش فیزیک لایه‌مرزی سیاره‌ای و پارامترهای همرفت در پیش‌بینی بارش، مدل در 4 گروه اصلی پیکربندی با طرحواره های لایه‌مرزی سیاره‌ایYSU ،MYJ، MYNN3وACM2 و هر گروه با شرایط همرفتیKFT ، BMJ،GF ، KF و عدم پارامترسازی همرفت در دامنه 3 درمجموع تحت 20 سناریوی مختلف پیکربندی از 1 نوامبر 2019 تا 31 می سال 2020 اجرا گردید. ماه اول(نوامبر) به ‌عنوان زمان تطبیق مدل و 6 ماه بعدی مورد تحلیل قرارگرفته است. خروجی پیش‌بینی‌ها نشان می‌دهد که ضرایب همبستگی از 30/0 تا نزدیک به 5/0 برای سناریوهای 20 گانه بدست امده‌است میزان انحراف بارش پیش‌بینی‌شده مدل نسبت به داده‌های مشاهداتی نیز نشان‌دهنده سازگاری نسبی خروجی مدل با پیکربندی‌های انتخابی است. در مجموع می‌توان گفت طرحواره‌های لایه‌مرزی سیاره‌ای YSU همراه با تابش موج‌بلند RRTM، موج‌کوتاه Dudhia و مدل سطح زمین Noah در کنار طرح‌های همرفتی BMJ وKFT توانسته برآوردهایی با خطای کمتری از میزان بارش ارائه کند. نکته قابل توجه دیگر آن است عدم اجرای طرحواره همرفت برای وضوح 6 کیلومتر (دامنه 3) نشان داده است در مقیاس بین 3 تا 10 کیلومتر عملکرد طرحواره‌های همرفتی خاکستری است بدین معنی که اجرا یا عدم اجرای آن می‌تواند نتایج پیش بینی ها را بهبود بخشیده و یا منجر به افزایش خطا در نتایج گردد.