ارزیابی عملکرد طرحواره‌های فیزیکی مختلف مدل WRF در پیش‌بینی بارش با مشاهدات ژئودزی و ایستگاه‌های همدیدی در شمال و شمال غرب ایران

طایفه رستمی, آرش; عامریان, یزدان; آزادی, مجید

doi:10.30467/nivar.2025.547121.1354

ارزیابی عملکرد طرحواره‌های فیزیکی مختلف مدل WRF در پیش‌بینی بارش با مشاهدات ژئودزی و ایستگاه‌های همدیدی در شمال و شمال غرب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

آرش طایفه رستمی ¹

یزدان عامریان ¹

مجید آزادی ²

¹ گروه ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین‌طوسی، تهران، ایران

² پژوهشگاه هواشناسی و علوم جو، تهران، ایران

10.30467/nivar.2025.547121.1354

چکیده

مدل‌سازی دقیق بارش در مناطق شهری و کوهستانی به‌دلیل نقش کلیدی آن در مدیریت منابع آب و کاهش خسارات ناشی از رخدادهای حدی، اهمیت فراوانی در هواشناسی و علوم جوی دارد. در این پژوهش، عملکرد مدل عددی WRF با هفت طرحواره فیزیکی مختلف در شبیه‌سازی بارش‌های نیمه دوم سال ۲۰۲۲ برای ایستگاه‌های منتخب در شمال و شمال‌غرب ایران ارزیابی شد. داده‌های مورد استفاده شامل بارش ثبت‌شده در ایستگاه‌های همدیدی و بخار آب بارش‌شو (PWV) استخراج‌شده از ایستگاه‌های دائمی سامانه‌های ماهواره‌ای ناوبری جهانی (GNSS) کشور بود. پس از کنترل کیفیت داده‌ها، مقایسه‌ها با استفاده از شاخص‌های آماری شامل ضریب همبستگی اسپیرمن (ρₛ)، ریشه میانگین مربعات خطای نسبی (nRMSE) و میانگین قدر مطلق خطای نسبی (nMAE) انجام شد. نتایج نشان داد مدل WRF قادر است الگوی زمانی وقوع بارش را در اغلب ایستگاه‌ها بازتولید کند، هرچند در برآورد شدت بارش اختلاف‌هایی مشاهده شد. ضریب همبستگی اسپیرمن بین بارش شبیه‌سازی‌شده و مشاهدات در بازۀ ۰٫۲۶ تا ۰٫۷۱ به‌دست آمد، در حالی‌که مقادیر nRMSE و nMAE به‌ترتیب بین ۵۰ تا ۱۴۵ درصد و ۵۰ تا ۹۰ درصد متغیر بودند. بررسی همبستگی بین PWV و بارش نیز نشان داد که این دو پارامتر در بیشتر ایستگاه‌ها همبستگی مثبت و معناداری دارند (۰٫۶۳ تا ۰٫۹۵). ایستگاه‌های ALKH، AZUI، OIII و OIIP بالاترین میزان انطباق را نشان دادند. بر اساس تحلیل‌های تلفیقی، طرحوارۀ شماره ۵ بالاترین میانگین همبستگی را با داده‌های مشاهده‌ای و PWV داشته است، هرچند بازه‌های اطمینان 95% طرحواره‌های ۳ و ۴ با آن همپوشانی داشته و برتری آماری آن در سطح ۰٫۰۵ قطعی نیست. این یافته‌ها بیانگر آن است که انتخاب طرحواره فیزیکی مناسب مدل WRF و بهره‌گیری هم‌زمان از داده‌های GNSS و ایستگاه‌های همدیدی می‌تواند دقت پیش‌بینی بارش را به‌طور چشمگیری افزایش داده و در بهبود سامانه‌های هشدار سیل و مدیریت منابع آب مؤثر واقع شود.

کلیدواژه‌ها

مدل WRF

طرحواره فیزیکی

بارش

سامانه‌های ماهواره‌ای ناوبری جهانی

بخار آب بارش‌شو

موضوعات

پیش بینی هوا

عنوان مقاله English

Evaluation of the Performance of Different Physics Schemes of the WRF Model in Precipitation Prediction Using Geodesy Observations and Synoptic Stations in Northern and Northwestern Iran

نویسندگان English

Arash Tayfehrostami ¹

Yazdan Amerian ¹

Majid Azadi ²

¹ Department of Geodesy, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran

² Atmospheric Science and Meteorological Research Center

چکیده English

Accurate modeling of precipitation in urban and mountainous regions is of great importance in meteorology and atmospheric sciences due to its key role in water resource management and in mitigating the damages caused by extreme weather events. In this study, the performance of the WRF numerical model with seven different physical parameterization schemes was evaluated in simulating precipitation during the second half of 2022 for selected stations in northern and northwestern Iran. The datasets used included observed precipitation from synoptic stations and precipitable water vapor (PWV) derived from permanent stations of the country’s Global Navigation Satellite Systems (GNSS) network. After quality control of the data, comparisons were made using statistical indices including the Spearman correlation coefficient (ρₛ), the normalized root mean square error (nRMSE), and the normalized mean absolute error (nMAE). The results indicated that the WRF model was able to reproduce the temporal pattern of rainfall occurrence at most stations, although some discrepancies were found in estimating rainfall intensity. The Spearman correlation between simulated and observed precipitation ranged from 0.26 to 0.71, while nRMSE and nMAE values varied between 50–145% and 50–90%, respectively. Analysis of the relationship between PWV and precipitation also revealed a significant positive correlation at most stations (ranging from 0.63 to 0.95). The ALKH, AZUI, OIII, and OIIP stations exhibited the highest consistency between datasets. Based on the integrated analyses, Scheme No. 5 showed the highest mean correlation with both observational and PWV data, although the 95% confidence intervals of Schemes 3 and 4 overlapped with it, indicating that its statistical superiority at the 0.05 significance level is not conclusive. These findings highlight that selecting an appropriate physical parameterization scheme in the WRF model and simultaneously utilizing GNSS and synoptic station data can significantly enhance precipitation prediction accuracy, contributing to the improvement of flood warning systems and water resource management.

کلیدواژه‌ها English

WRF model

Physics schemes

Precipitation

Global Navigation Satellite Systems

Precipitable Water Vapor

1. Aghajany, S. H., & Amerian, Y. (2017). Three dimensional ray tracing technique for tropospheric water vapor tomography using GPS measurements. Journal of Atmospheric and Solar-Terrestrial Physics, 164, 81–88.

2. Avolio, E., Federico, S., Miglietta, M. M., Feudo, T. Lo, Calidonna, C. R., & Sempreviva, A. M. (2017). Sensitivity analysis of WRF model PBL schemes in simulating boundary-layer variables in southern Italy: An experimental campaign. Atmospheric Research, 192, 58–71.

3. Banks, R. F., & Baldasano, J. M. (2016). Impact of WRF model PBL schemes on air quality simulations over Catalonia, Spain. Science of the Total Environment, 572, 98–113.

4. Benevides, P., Catalao, J., Nico, G., & Miranda, P. M. A. (2018). 4D wet refractivity estimation in the atmosphere using GNSS tomography initialized by radiosonde and AIRS measurements: results from a 1-week intensive campaign. GPS Solutions, 22(4), 91. https://doi.org/10.1007/s10291-018-0755-5

5. Bevis, M., Businger, S., Herring, T. A., Rocken, C., Anthes, R. A., & Ware, R. H. (1992). GPS meteorology: remote sensing of atmospheric water vapor using the global positioning system. Journal of Geophysical Research, 97(D14), 15787–15801. https://doi.org/10.1029/92jd01517

6. Davis, J. L., Herring, T. A., Shapiro, I. I., Rogers, A. E. E., & Elgered, G. (1985). Geodesy by radio interferometry: Effects of atmospheric modeling errors on estimates of baseline length. Radio Science, 20(6), 1593–1607. https://doi.org/10.1029/RS020i006p01593

7. Ding, M. (2018). A neural network model for predicting weighted mean temperature. Journal of Geodesy, 92(10), 1187–1198. https://doi.org/10.1007/s00190-018-1114-6

8. Fei Chen, N. (2006). Current status of urban modeling in the community Weather Research and Forecast (WRF) model. Sixth Symposium on the Urban Environment.

9. García-Díez, M., Fernández, J., Fita, L., & Yagüe, C. (2013). Seasonal dependence of WRF model biases and sensitivity to PBL schemes over Europe. Quarterly Journal of the Royal Meteorological Society, 139(671), 501–514. https://doi.org/10.1002/qj.1976

10. Geng, J., Chen, X., Pan, Y., Mao, S., Li, C., Zhou, J., & Zhang, K. (2019). PRIDE PPP-AR: an open-source software for GPS PPP ambiguity resolution. GPS Solutions, 23(4), 1–10. https://doi.org/10.1007/S10291-019-0888-1/METRICS

11. Gholami, S., Ghader, S., Khaleghi-Zavareh, H., & Ghafarian, P. (2021). Sensitivity of WRF-simulated 10 m wind over the Persian Gulf to different boundary conditions and PBL parameterization schemes. Atmospheric Research, 247, 105147.

12. Gong, S., Hagan, D. F. T., Wu, X., & Wang, G. (2018). Spatio-temporal analysis of precipitable water vapour over northwest China utilizing MERSI/FY-3A products. International Journal of Remote Sensing, 39(10), 3094–3110. https://doi.org/10.1080/01431161.2018.1437298

13. Haji-Aghajany, S., Amerian, Y., & Verhagen, S. (2020). B-spline function-based approach for GPS tropospheric tomography. GPS Solutions, 24(3), 88.

14. Haji-Aghajany, S., Izanlou, S., Tasan, M., Rohm, W., & Kryza, M. (2025). High-resolution GNSS troposphere tomography through explainable deep learning-based downscaling framework. Satellite Navigation, 6(1), 22.

15. Izanlou, S., Haji-Aghajany, S., & Amerian, Y. (2024). Enhanced Troposphere Tomography: Integration of GNSS and Remote Sensing Data With Optimal Vertical Constraints. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17, 3701–3714. https://doi.org/10.1109/JSTARS.2024.3354884

16. Jänicke, B., Meier, F., Fenner, D., Fehrenbach, U., Holtmann, A., & Scherer, D. (2017). Urban--rural differences in near-surface air temperature as resolved by the Central Europe Refined analysis (CER): sensitivity to planetary boundary layer schemes and urban canopy models. International Journal of Climatology, 37(4), 2063–2079.

17. Lauvaux, T., & Davis, K. J. (2014). Planetary boundary layer errors in mesoscale inversions of column-integrated CO2 measurements. Journal of Geophysical Research: Atmospheres, 119(2), 490–508.

18. Lauvaux, T., Pannekoucke, O., Sarrat, C., Chevallier, F., Ciais, P., Noilhan, J., & Rayner, P. J. (2009). Structure of the transport uncertainty in mesoscale inversions of CO 2 sources and sinks using ensemble model simulations. Biogeosciences, 6(6), 1089–1102.

19. Mantovani Júnior, J. A., Aravéquia, J. A., Carneiro, R. G., & Fisch, G. (2023). Evaluation of PBL parameterization schemes in WRF model predictions during the dry season of the central Amazon Basin. Atmosphere, 14(5), 850.

20. Martilli, A., Clappier, A., & Rotach, M. W. (2002). An urban surface exchange parameterisation for mesoscale models. Boundary-Layer Meteorology, 104(2), 261–304.

21. Mohamadi, A., & Azadi, M. (2022). Effect of the Ensemble System Size on the Precipitation Forecast Accuracy. Nivar, 46(118–119), 73–84.

22. Munassar, S., Monteil, G., Scholze, M., Karstens, U., Rödenbeck, C., Koch, F.-T., Totsche, K. U., & Gerbig, C. (2023). Why do inverse models disagree? A case study with two European CO 2 inversions. Atmospheric Chemistry and Physics, 23(4), 2813–2828.

23. Neyestani, A., Ghader, S., & Mohebalhojeh, alireza. (2017). Application of data assimilation using WRF model to simulate precipitations caused by synoptic systems in the western regions of Iran. Iranian Journal of Geophysics, 11(1), 101–123. https://www.ijgeophysics.ir/article_46718.html

24. Ohyama, H., Frey, M. M., Morino, I., Shiomi, K., Nishihashi, M., Miyauchi, T., Yamada, H., Saito, M., Wakasa, M., Blumenstock, T., & others. (2023). Anthropogenic CO 2 emission estimates in the Tokyo metropolitan area from ground-based CO 2 column observations. Atmospheric Chemistry and Physics, 23(23), 15097–15119.

25. Pilz, L., Lüken-Winkels, C., Gałkowski Michałand Ho, D., Gerbig, C., Chen, F., & Vardag, S. N. (2025). Evaluation of high-resolution WRF simulation in urban areas-Effect of different physics schemes on simulation performance in the Rhine-Main-Neckar area. Atmospheric Research, 108435.

26. RISANTO, C. B., CASTRO, C. L., ARELLANO, A. F., MOKER, J. M., & ADAMS, D. K. (2021). The impact of assimilating gps precipitable water vapor in convective-permitting wrf-arw on north american monsoon precipitation forecasts over northwest mexico. Monthly Weather Review, 149(9), 3013–3035. https://doi.org/10.1175/MWR-D-20-0394.1

27. Salamanca, F., Martilli, A., Tewari, M., & Chen, F. (2011). A study of the urban boundary layer using different urban parameterizations and high-resolution urban canopy parameters with WRF. Journal of Applied Meteorology and Climatology, 50(5), 1107–1128.

28. Sam-Khaniani, A., Azadi, M., & Zakeri, Z. (2017). Impact of Iranian permanent GPS network precipitable water estimates on numerical weather prediction. Earth Observation and Geomatics …, 1(2), 100–111. https://doi.org/10.22059/eoge.2017.243645.1013

29. Sam-Khaniani, A., & Naeijian, R. (2024). Comparison of tropospheric delay models using ground based GPS ZTD values in the atmosphere of Iran. Journal of the Earth and Space Physics, 50(1), 23–36. https://doi.org/10.22059/JESPHYS.2023.353897.1007493

30. Sharifi, M. A., Azadi, M., & Khaniani, A. S. (2016). Numerical simulation of rainfall with assimilation of conventional and GPS observations over north of Iran. Annals of Geophysics, 59(3). https://doi.org/10.4401/ag-6919

31. Tayfehrostami, A., & Amerian, Y. (2025). Analysis of Tropospheric Precipitable Water Vapor Variations Using GNSS Radio Occultation Data and Radiosonde Observations (Case Study: Iran). Journal of the Earth and Space Physics. https://doi.org/10.22059/jesphys.2025.396147.1007694

32. Wang, W., Beezley, C., Duda, M., & others. (2012). WRF ARW V3: user’s guide. Wang, C. Beezley, M. Duda, et Al. URL: Http://Www. Mmm. Ucar. Edu/Wrf/Users (Accessed: 11.01. 2013).

33. Zakeri, Z., azadi, majid, & Ghader, S. (2018). Impact of assimilation of satellite, prepbufr and GPSro data on wind speed and dust concentration forecasts in WRF-Chem model. Iranian Journal of Geophysics, 12(2), 1–22. https://www.ijgeophysics.ir/article_67494.html

34. Zhang, W., Zhang, H., Liang, H., Lou, Y., Cai, Y., Cao, Y., Zhou, Y., & Liu, W. (2019). On the suitability of ERA5 in hourly GPS precipitable water vapor retrieval over China. Journal of Geodesy, 93(10), 1897–1909. https://doi.org/10.1007/s00190-019-01290-6