پس‌پردازش برونداد مدل WRF برای پارامتر آب بارش‌شو با استفاده از داده‌های ماهواره‌ای

نوع مقاله : مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشیار گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران

2 دانشجوی دکترای گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران

چکیده

آب بارش‌شو (Precipitable Water) که بخش مهمی از چرخه آب در جوّ است، برای شناخت رفتار بخار آب جوّ و فرایندهای مرتبط، متغیری درخور توجه و بنیادین در مطالعات آب‌شناسی و هواشناسی به‌‌شمار‌می‌آید. ازآنجاکه در مناطقی که ایستگاه جوّ بالا ندارند، محاسبه این پارامتر به‌راحتی و بدون استفاده از تجهیزاتی از قبیل GPS، ماهواره و رادار امکان‌پذیر نیست، هدف از این پژوهش، پس‌پردازش برونداد مدل عددی WRF (Weather and Research Forcast) برای پارامتر آب بارش‌شو در نقاط بدون ایستگاه جوّ بالا بر اساس داده‌های ماهواره‌ای است. در ابتدا، آب بارش‌شو چند ایستگاه جوّ بالا در کشور با پارامتر نظیر آن در ماهواره‌های هواشناسی نسل دوم MSG1(IODC) و ماهواره چینی فنگ یون (FY-2E) در یک دوره دوساله مقایسه شد و داده‌های ماهواره هواشناسی با کمترین جذر میانگین مربع خطا جهت مقادیر هدف برای پس‌پردازش مدل WRF انتخاب شد. پس از آن، پارامتر آب بارش‌شو مدل WRF با پارامتر مستخرج از ماهواره انتخابی METEOSAT8 و رادیوگمانه و با استفاده از الگوریتم ژنتیک و پالایه کالمن پس‌پردازش شد. با اجرایی کردن این رهیافت و همگرایی زیاد مقادیر همبستگی ماهواره منتخب و مدل پس‌پردازش‌شده با مقادیر همبستگی رادیوگمانه و مدل تصحیح‌شده، نتایج نشان داد که با اِعمال پالایه کالمن (Kalman filter)، داده‌های ماهواره هواشناسی نسخه 8 METEOSAT8(IODC) می‌تواند جایگزین داده‌های رادیوگمانه در نقاط بدون ایستگاه جوّ بالا برای آموزش مدل پیشنهادی جهت پس‌پردازش پارامتر آب بارش‌شو مدل عددی WRF باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Post–processing of WRF model for precipitable water using meteorological satellite data

نویسندگان [English]

  • Farahnaz Taghavi 1
  • Mojtaba Jalali 2
1 Associate Professor, Institute of Geophysics, University of Tehran, Tehran, Iran
2 Ph.D. student, Institute of Geophysics, University of Tehran, Tehran, Iran
چکیده [English]

Precipitable water (PW) is an important part of the water cycle in the atmosphere. This variable plays a significant role in hydrological and meteorological studies to understand the behavior of water vapor and the involved processes. One of the management tools in this area is knowledge of the Total Precipitated Water content (TPW) in the atmosphere. This quantity can also be used as a meteorological index for accurate prediction of atmospheric parameters including rainfall and runoff estimates. PW is the amount of vertically integrated water vapor and can be expressed in g/cm2, or as the height of an equivalent column of liquid water in centimeters. The traditional technique for PW measurement is to launch radiosondes, normally twice a day. This method is not only expensive but also poor in both spatial coverage and temporal resolution. Temporal changes in atmospheric water vapor occur rapidly and water vapor measurements by radiosondes do not satisfy the needs of research for a variety of variation scales of atmospheric water vapor. In past years, the emerging ground-based Global Positioning System (GPS) has opened the possibility of improved monitoring of atmospheric humidity. Beginning from the 1990s, an observational technique based on the Global Navigation Satellite System (GNSS), which is sensitive to the spatial and temporal distribution of the water vapor content in the atmosphere, has made it possible to retrieve precise and continuous estimates of PW. In recent years, studies have been conducted on the use of satellite data and GPS data to estimate this parameter. The purpose of this research is to evaluate the post-processing of WRF model for PW using meteorological satellite data, neural network and Kalman filter. This parameter cannot be easily calculated without the use of equipment such as GPS, satellite, radiosonde station and radar. In this research, we attempt to eliminate the systematic error of a PW parameter obtained through the WRF numerical model in the absence of measurement data. In the first step, we compare the rainfall water for two stations in Iran including Mashhad and Tehran with the TPW parameter measured by MSG1(IODC) and FY-2E satellites for about two years. Then, the WRF model results are post-processed based on the observational data to educate the neural network model using the ANFIS implementation with genetic algorithm training. In second step, the Kalman filter was applied to the satellite data modified by genetic algorithm. The results were improved and the correlation coefficient was to 0.987 and the RMSE error reduced to 1.1. Results show that by implementing this approach and converging on the correlation values of the selected satellite and the post-processed model to the correlation values of the modified model, the results showed that the meteorological satellite data METEOSAT8 (IODC) can be used as an alternative of radiosonde data in places without high atmosphere station to teach the proposed model for post-processing of PWV parameter in WRF numerical model.

کلیدواژه‌ها [English]

  • Precipitable water
  • METEOSAT8
  • WRF model
  • post-processing
آزادی، م.، جعفری، س.، میرزائی، آ.، عربلی، پ.، 1387، پس‌پردازش برونداد مدل میان­مقیاس MM5 برای دمای بیشینه وکمینه با استفاده از فیلتر کالمن: مجله فیزیک زمین و فضا، 34(1)، 45-61.
آزادی، م.، شیر غلامی، م.، حجام، س.، صحراییان، ف.،1390، پس‌پردازش برونداد مدل WRF برای بارندگی روزانه در ایران:تحقیقات منابع آب ایران، 7(3)، 71-81.
آزادی، م.، عربلی، پ.،1388 ، مقایسه پیش‌بینی­های رسمی و پیش‌بینی­های مدل WRF برای دمای بیشینه و کمینه روزانه در ایستگاه­های همدیدی مراکز استان‌ها: هشتمین همایش پیش‌بینی عددی وضع هوا، تهران، ایران.
آزادی، م.، واشانی، س.، حجام، س.، 1391، پیش‌بینی احتمالاتی بارش با استفاده از پس پردازش(post processing)  برونداد یک سامانه همادی: مجله فیزیک زمین و فضا، 38، 203-216.
بابائیان، ا، کریمیان، م.، مدیریان، ر.، 1391، پس‌پردازش برونداد مدل دینامیکی CGCM3-MRI برای پیش­بینی فصلی بارش استان خراسان رضوی: مجله ژئوفیزیک ایران، 7(3)، 119-133.
ذاکری، ز.، آزادی، م.، قادر، س.، 1394، بررسی اثرداده‌گواری داده­های ماهواره وایستگاه­های دیده‌بانی بر روی پیش‌بینی مدل WRF: نشریه پژوهش­های اقلیم­شناسی،دوره 6، شماره 21، 31-42.
رستم زاده ،ه.، رسولی، ع.، وظیفه دوست، م.، ملکی، ن.، 1398،ارزیابی و تحلیل نقش خصوصیات فیزیکی ابر در مقدار بارش محتمل با استفاده از داده­های ماهواره‌ای MSG، منطقه مورد مطالعه: غرب ایران: نشریه علمی جغرافیا و برنامه‌ریزی، 24(72)، 225-245.
رئیس پور، ک.، 1399، برآورد ماهواره‌ای بخار آب قابل بارش PWV در جو ایران و تحلیل همبستگی مکانی آن با فراسنج­های آب­وهواشناختی: مجله تحقیقات آب و خاک ایران، 51(10)، 2543-2557.
تقوی ،ف.،کوثری ،م.،جلالی،م.،1401،مقایسه روش‌های پس پردازش برونداد مدل WRF برای دمای روزانه در ایستگاه مهرآباد تهران  ،نشریه پژوهشهای اقلیم شناسی، سال سیزدهم ،شماره50 ،تابستان 1401، 107-120
مباشری، م.، پورباقرکردی، م.، فرج زاده اصل، م.، صادقی نائینی، ع.، 1389، برآورد آب قابل بارش کلی با استفاده از تصاویر ماهواره‌ای MODIS و داده‌های رادیوساوند: ناحیه تهران: فصلنامه مدرس علوم انسانی، 14(1)، 107-126.
محمدیها، ا.، معماریان، م. ح.، آزادی، م.، ریحانی پروری، م.، 1393، پیش‌بینی­های مدل WRF برای آب بارش‌شو و ارتباط آن با برآورد بارش به کمک داده‌های رادار تهران: مجله ژئوفیزیک ایران، 8(3)، 1-13.
مرادی، م.، مرتضی پور، س.، 1398، پس‌پردازش برونداد مدل WRF به روش میانگین لغزان برای دما، دمای نقطه شبنم، دمای بیشینه و دمای کمینه در ایستگاه هواشناسی فرودگاه رشت: نشریه هواشناسی و علوم جو، 2(3)، 201-213.
Amezcua, J., 2020, ECMWF/NCEO data assimilation training course, (Partial) list of references, http://www.met.reading.ac.uk/~darc/training/ecmwf_collaborative_training/References.pdf
Ansari, K., Althuwaynee, O. F., and Corumluoglu, O., 2016, Monitoring and prediction of precipitable water vapor using GPS data in Turkey: Journal of Applied Geodesy, 10(4), 233-245.
Bevis, M., S. Businger, T.A. Herring, C. Rocken, R.A. Anthes and R.H. Ware (1992). GPS meteorology: re- mote sensing of the atmospheric water vapor using the global positioning system, Journal of Geophys-ical Research, 97 (D14), 15787-15801
Bock, O., Flamant, C., Richard, E., Keil, C., and Bouin, M. N., 2005, Validation of precipitable water from ECMWF model analyses with
 
     GPS and radiosonde data during the MAP SOP: Quarterly Journal of the Royal Meteorological Society, 612, 3013-3036.
Bogdanovs, N., Belinskis, R., Bistrovs, V., Petersons, E., and Ipatova, A., 2021, Forcasting algorithm based on temperature error prediction using Kalman filter for management system development: Latvian Journal of Physics and Tecnical Sciences, 58(5), 38-49.
Bouttier, F., and Courtier, P., 2002, Data Assimilation Concepts and Methods: ECMWF publication, https://www.ecmwf.int/en/elibrary/16928.
Campmany, E., Bech, J., Rodríguez-Marcos, J., Sola, Y., and Lorente, J., 2010, A comparison of total precipitable water measurements from radiosonde and sunphotometers: Atmospheric Research, 97(3), 385–392.
Deblonde, G., 1999, Variational assimilation of SSM/I total precipitable water retrievals in the CMC analysis system: Monthly Weather Review, 127(7), 1458-1476.
Fragkos, K., Antonescu, B., Ene, D., et al., 2019, Assessment of the total precipitable water from a sun photometer, microwave radiometer and radiosondes at a continental site in southeastern Europe: Atmospheric Measurement Techniques, 12(3), 1979–1997, https://doi.org/10.5194/amt-12-1979-2019.
Galanis, G., and Anadranistakis, M., 2002, A one-dimensional Kalman filter for the correction of near surface temperature forecasts: Meteorological Applications, 9, 437-441.
Galanis, G., Louka, P., Katsafados, P., Kallos, G., and Pytharoulis, I., 2006, Applications of Kalman filter based on non-linear functions to numerical weather predictions: Annals of Geophysics, 24, 2451-2460.
Gelb, A., 1974, Applied optimal estimation, MIT Press printed in USA.
Glahn, H. R., and Lowry, D. A., 1972, The use of Model Output Statistics (MOS) in objective weather forecast. J. Appl. Meteorol., 11, 1203-1211
González, A., Expósito, F. J., Pérez, J. C., ,Díaz, J. P., and Taima, D., 2013, Verification of precipitable water vapour in high‐resolution WRF simulations over a mountainous archipelago: Quarterly Journal of the Royal Meteorological Society, 139(677), 2119-2133.
Homleid, M., 1995, Diurnal corrections of short-term surface temperature forecasts using the Kalman filter: Weather Forecast, 10, 689-707.
Hou, A. Y., Ledvina, D. V., da Silva, A. M., et al., 2000, Assimilation of SSM/I-derived surface rainfall and total precipitable water for improving the GEOS analysis for climate studies: Monthly Weather Review, 2000, 128(3), 509-537.
Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. and Rubin, D.B.,2013, Bayesian data analysis. Chapman and Hall/CRC
Jiang, P., Ye, S., Chen, D., Liu, Y., and Xia, P., 2016, Retrieving precipitable water vapor data using GPS zenith delays and global reanalysis data in China: Remote Sensing, 8(5), 389, doi:10.3390/rs80503892.
Kalman, R. E., 1960, A new approach to linear filtering and prediction problems: Journal of Basic Engineering, 82(1), 35-45.
Kalman, R. E., and Bucy, R. S., 1961, New results in linear filtering and prediction
problems, Trans. ASME, Ser. D., 83, 95-108.
Khaniani, A. S., Azadi, M., and Zakeri, Z., 2017, Impact of Iranian permanent GPS network precipitable water estimates on numerical weather prediction: Earth Observation and Geomatics Engineering, 1(2), 100-111.
Koenig, M., and de Coning, E., 2009, The MSG global instability indices product and its use as a nowcasting tool: Weather Forecasting, 24, 272-285.
Kumar, P., Gopalan, K. B., Shukla, P., and Shyam, A., 2017, Impact of single-point GPS integrated water vapor estimates on short-range WRF model forecasts over southern India: Theoretical and Applied Climatology, 130(3-4), 755-760.
Liang, H.; Cao, Y.; Wan, X.; Xu, Z.; Wang, H.; Hu, H. Meteorological applications of precipitable water vapor measurements retrieved by the national GNSS network of China. Geod. Geodyn. 2015, 6, 135–142
Maghrabi, A. H., Alothman, A. O. A., Fernandes, R. M. S., et al., 2020, Modelling and validation of the precipitable water vapour from zenith wet delay using radiosonde and GNSS data in the Central Arabian Peninsula: International Journal of Environmental Sciences & Natural Resources, 25(1): IJESNR.MS.ID.556152.
Marzban, C., 2003, Neural network for post processing model output, ARPS, Mon. Wea. Rev., 131, 1103-1111.
Mccollor, D. and Stull, R., 2008, Hydro meteorological accuracy enhancement via post processing of numerical weather forecasts in complex terrain, Wea. Forecasting, 23, 131-144.
Monache, L. D., Nipen, T., Liu, Y., Roux, G., and Stull, R., 2011, Kalman filter and analog schemes to post-process numerical weaher predictions: Monthly Weather Review, 139, 3554-3570.
Oigawa, M., Tsuda, T., Seko, H., Shoji, Y., and Realini, E., 2018, Data assimilation experiment of precipitable water vapor observed by a hyper-dense GNSS receiver network using a nested NHM-LETKF system: Earth, Planets and Space, 70(1), 74.
Pan, S., Gao, J., Stensrud, J., Wang, X., and Jones, T. A., 2018, Assimilation of radar radial velocity and reflectivity, satellite cloud water path, and total precipitable water for convective-scale NWP in OSSEs: Journal of Atmospheric and Oceanic Technology, 35(1), 67-89
.Pérez-Jordán, W., Castro-Almazán, J. A., and Muñoz-Tuñón, C., 2018, Precipitable water vapour forecasting: a tool for optimizing IR observations at Roque de los Muchachos Observatory: Monthly Notices of the Royal Astronomical Society, 477(4), 5477-5485.
Pérez-Ramírez, D., Smirnov, A., Pinker, R. T., et al., 2019, Precipitable water vapor over oceans from the Maritime Aerosol Network: Evaluation of global models and satellite products under clear sky conditions: Atmospheric Research, 215, 294-304.
Priestley, M. B., 1981, Spectral analysis and time series, Academic Press, printed in USA
Rakhecha, P., and Singh, V. P., 2009, Applied Hydrometeorology: Springer Science & Business Media.
Rao, P. A., and Fuelberg, H. E., 1997, Diagnosing convective instability from GOES-8 radiances: Journal of Applied Meteorology, 36(4), 350-364.
Rodgers, C. D., 1976, Retrieval of atmospheric temperature and composition from remote measurements of thermal radiation: Reviews of Geophysics, 14(4), 609-624.
Seto, Y., Yokoyama, H., Nakatani, T., et al., 2018, Relationships among rainfall distribution, surface wind, and precipitable water vapor during heavy rainfall in Central Tokyo in summer: Journal of the Meteorological Society of Japan. Ser. II, 96A, 35-49.
Shoji Y, Kunii M, Saito K (2009) Assimilation of nationwide and global GPS PWV data for a heavy rain event on 28 July 2008 in Hokuriku and Kinki, Japan. SOLA 5:45–4
Sudradjat, A., Ferraro, R. R., and Fiorino, M., 2005, A comparison of total precipitable water between reanalyses and NVAP. Journal of climate, 18(11), 1790-1807.
Vey, S., Dietrich, R., Lke, A., Fritsche, M., Steigenberger, P., and Rothaher, M., 2010, Validation of precipitable water vapor within the NCEP/DOE reanalysis using global GPS observations from one decade: Journal of Climate, l23, 1675-1695, DOI: 10.1175/2009JCLI2787.1.
Wang, Y., Yang, K., Pan, Z., et al., 2017, Evaluation of precipitable water vapor from four satellite products and four reanalysis datasets against GPS measurements on the Southern Tibetan Plateau: Journal of Climate, 30(15), 5699-5713.
Yang, X., Sassa, B. H., Elgered, G., et al., 1999, A comparison of precipitable water vapor estimates by an NWP simulation and GPS observations: Journal of Applied Meteorology, 38(7), 941-956.
Zeng, X.,1999, The relationship among precipitation, cloud-top temperature, and precipitable water over the tropics: Journal of Climate, l12, 2403-2414.