ارزیابی هیدروگراف جریان با استفاده از داده‌های بارش ERA5 در نرم‌افزار HEC-HMS

آب و خاک

مقاله 7، دوره 36، شماره 4 - شماره پیاپی 84، مهر و آبان 1401، صفحه 525-539   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2022.74417.1129

نویسندگان

سعیده پورانتظاری¹؛ کاظم اسماعیلی^{* 1}؛ علیرضا فرید حسینی²؛ الهه غفاری¹

¹دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه علوم و مهندسی آب

²دانشیار گروه آموزشی علوم و مهندسی آب-دانشکده کشاورزی دانشگاه فردوسی مشهد

چکیده

بارش یکی از مهم‌ترین پارامترهای ورودی در مدل‌های هیدرولوژیکی جهت شبیه‌سازی بارش-رواناب می‌باشد که به علت عدم پراکندگی مناسب ایستگاه‌های بارانسنجی و تازه تأسیس بودن برخی از این ایستگاه‌ها در اکثر حوضه‌های کشور، استفاده از این داده‌های بارش با چالشی جدی روبروست. از این رو استفاده از روش‌های سنجش از دوری می‌تواند یکی از گزینه‌های مورد استفاده در زمینه شبیه‌سازی جریان با استفاده از مدل‌های هیدرولوژیکی باشد. در پژوهش حاضر، داده‌های بارش بازتحلیل‌شده ERA5 برای حوضه آبریز کشف‌رود در گام‌های زمانی روزانه و ماهانه مورد ارزیابی قرار گرفت و سپس با استفاده از داده‌های بارش ایستگاه زشک و پارامترهای مربوط به حوضه آبخیز زشک در نرم‌افزار HEC-HMS، هیدروگراف جریان آن مورد بررسی قرار گرفت. نتایج نشان داد که داده‌های بارش ERA5 در گام‏های زمانی روزانه و ماهانه دارای کم‌برآوردی می‌باشند و نیز در گام زمانی ماهانه دقت این داده‏های بارش در تشخیص وقایع بارشی (از نظر شاخص‏های FAR، TS و POD) بالاتر از گام زمانی روزانه بود. همچنین داده‌های بارش بازتحلیل‌شده ERA5 در گام زمانی ماهانه، در ماه‌های گرم تابستان دقت پایین‌تری در تشخیص وقایع بارش نسبت به بقیه ماه‌های سال داشتند. هیدروگراف جریان حاصل از داده‌های بارش بازتحلیل ‌شده ERA5 نسبت به هیدروگراف مشاهداتی دارای کم‌برآوردی بود که علت آن کم‌برآورد کردن میزان بارش در موقعیت ایستگاه زشک در محدوده روزهای متناظر با واقعه 23/1/99 توسط ERA5 بود. همچنین هیدروگراف یادشده در مقایسه با هیدروگراف مشاهداتی در محدوده غیر قابل قبول (NSE≤0.5 و PBias≤±25) بود. به طور کلی دقت هیدروگراف جریان حاصل از این محصول نسبت به هیدروگراف جریان حاصل از داده‌های بارش ایستگاه زشک، نمی‌تواند منبع مورد اعتمادی در مدلسازی هیدرولوژیکی باشد.

کلیدواژه‌ها

زشک؛ مدل‌سازی بارش-رواناب؛ منوی GIS؛ ERA5؛ HEC-HMS

مراجع

1- Amjad, M., Yilmaz, M., Yucel, I., & Yilmaz, K. (2020). Performance evaluation of satellite- and model-based precipitation products over varying climate and complex topography. Journal of Hydrology 584: 124707. https://doi.org/10.1016/j.jhydrol.2020.124707.

2- Azari, H., Matkan, A.A., Shakibaa, A., & Pourali, S.H. (2009). Simulation and flood warning with hydrology models in gis and precipitation estimation through remote sensing. Iranian Journal of Geology 3: 39-51.

3- Champagne, O., Arain, M., Wang, S., Leduc, M., & Russell, H. (2021). Interdecadal variability of streamflow in the hudson bay lowlands watersheds driven by atmospheric circulation. Journal of Hydrology Regional Studies 36: 100868. https://doi.org/10.1016/j.ejrh.2021.100868.

4- ErfaniRahmatnia, A., Babaian, I., & Entezari, A. (2018). Efficiency of era-interim retrieval data in simulating the observed rainfall of khorasan razavi meteorological stations.p. 5. The Second National Conference on Meteorology of Iran, 9 May.Mashhad Ferdowsi University. (In Persian with English abstract)

5- Gorjizade, A., Akhondali, A., Shahbazi, A., & Moridi, A. (2019). Comparison and evaluation of precipitation estimated by era-interim, persiann-cdr and chirps models at the upstream of maroon dam. Iran Water Resources Research 15: 267-279. (In Persian with English abstract)

6- Hwang, S.-O., Park, J., & Kim, H.M. (2019). Effect of hydrometeor species on very-short-range simulations of precipitation using era5. Atmospheric Research 218: 245-256. https://doi.org/10.1016/j.atmosres.2018.12.008.

7- Izadi, N., Ghasemi, E., Ranjbar, A., Shamsipour, A., Fattahi, E., & Habibi, M. (2021). Evaluation of era5 precipitation accuracy based on various time scales over iran during 2000–2018. Water 13: 2538. https://doi.org/10.3390/w13182538.

8- Karimi, M., Heidari, S., & Rafati, S. (2021). The trend of atmospheric water cycle components (precipitation and precipitable water) in catchments of iran. Journal of Spatial Analysis Environmental Hazarts 8: 33-54. (In Persian)

9- Khezriannejad, N., Hajjam, S., Amirhossein, M., & Ibrahim, M. (2013). Real time runoff forecasting of tire basin using quantitative precipitation forecasting of wrf model. Journal of Climate Research 3: 53-66. (In Persian)

10- Lorenzo, A., Lorini, V., Hirpa, F.A., Harrigan, S., Zsoter, E., Prudhomme, C., & Salamon, P. (2020). A global streamflow reanalysis for 1980–2018. Journal of Hydrology X 6: 100049. https://doi.org/10.1016/j.hydroa.2019.100049.

11- Moriasi, D., Gitau, M., Pai, N., & Daggupati, P. (2015). Hydrologic and water quality models: Performance measures and evaluation criteria. Transactions of the ASABE (American Society of Agricultural and Biological Engineers) 58: 1763-1785. https://doi.org/10.13031/trans.58.10715.

12- Nazeer, A., Maskey, S., Skaugen, T., & McClain, M.E. (2022). Simulating the hydrological regime of the snow fed and glaciarised gilgit basin in the upper indus using global precipitation products and a data parsimonious precipitation-runoff model. Science of The Total Environment 802: 149872. https://doi.org/10.1016/j.scitotenv.2021.149872.

13- Sabah, P., Junaid Nazir, K., Rohitashw, K., & Saqib Parvaze, A. (2021). Flood forecasting in the sparsely gauged jhelum river basin of greater himalayas using integrated hydrological and hydraulic modelling approach. Climate Dynamics. https://doi.org/10.21203/rs.3.rs-461873/v1.

14- Shayeghi, A., Azizian, A., & Brocca, L. (2019). The reliability of reanalysis and remotely sensed precipitation products for hydrological simulation over the sefidrood river basin in iran. Hydrological Sciences Journal/Journal des Sciences Hydrologiques. https://doi.org/10.1080/02626667.2019.1691217.

15- Singh, T., Saha, U., Prasad, V.S., & Gupta, M.D. (2021). Assessment of newly-developed high resolution reanalyses (imdaa, ngfs and era5) against rainfall observations for indian region. Atmospheric Research 259: 105679. https://doi.org/10.1016/j.atmosres.2021.105679.

16- USACE, Hydrologic modeling system hec-hms,user’s manual, technical reference manual, Washington, DC: United States Army Corps of Engineers, 2021, p. 676. [Online]. Available.

17- Voropay, N., Ryazanova, A., & Dyukarev, E. (2021). High-resolution bias-corrected precipitation data over south Siberia, Russia. Atmospheric Research 254: 105528. https://doi.org/10.1016/j.atmosres.2021.105528.

18- Xu, X., Frey, S.K., & Ma, D. (2022). Hydrological performance of era5 and merra-2 precipitation products over the great lakes basin. Journal of Hydrology: Regional Studies 39: 100982.  https://doi.org/10.1016/j.ejrh.2021.100982.

19- Yin, J., Guo, S., gu, L., Zeng, Z., Liu, D., Chen, J., Shen, Y., & Xu, C.-Y. (2020). Blending multi-satellite, atmospheric reanalysis and gauge precipitation products to facilitate hydrological modelling. Journal of Hydrology 593. https://doi.org/10.1016/j.jhydrol.2020.125878.

20- Yuan, X., Yang, K., Lu, H., He, J., Sun, J., & Wang, Y. (2021). Characterizing the features of precipitation for the tibetan plateau among four gridded datasets: Detection accuracy and spatio-temporal variabilities. Atmospheric Research 264: 105875. https://doi.org/10.1016/j.atmosres.2021.105875.