Sensitivity Study of Simulations of Two Fog Events at Ardebil Airport to the PBL Scheme, Using WRF model

Document Type : Original Article

Authors

1 Ph.D. Student, Atmospheric Science and Meteorological Research Center

2 Faculty member of Meteorological Research Institute

3 Assistant Professor, Atmospheric Science and Meteorological Research Center (ASMERC), Tehran, Iran

4 Associate Professor, Atmospheric Science and Meteorological Research Center

5 Assistant Professor, Atmospheric Science and Meteorological Research Center

10.30467/nivar.2021.307166.1202

Abstract

In this study, numerical simulation of two advection and radiation fog events at Ardabil Airport in January 2015 was performed using the Weather Research and Forecasting (WRF) model and SW99 visibility algorithm. Six Planetary Boundary Layer (PBL) schemes including YSU, MYJ, ACM2, MYNN2.5, MYNN3 and QNSE were used to evaluate the sensitivity of fog simulation to the PBL schemes. The results show that the simulation of these two fog events is sensitive to PBL. Also, due to the importance of accurate prediction of 2-m relative humidity, temperature and dew point temperature and 10-m wind speed in fog forecasting, the sensitivity of simulation of these variables to PBL scheme was investigated. The results showed that the simulation of advection fog event was successfully performed using most of PBL schemes mentioned above. YSU, ACM2 and MYNN2.5 schemes performed better in simulation of advection fog. The QNSE scheme was not successful in simulating the advection fog event. In radiant fog simulation, most PBL schemas were not able to simulate the moisture required to form fog at the time of fog occurrence.
Most PBL schemes were not able to simulate the moisture required for formation of fog at the time of the radiation fog event. A few hours before the onset of the radiation fog event, the WRF model with most schemes simulated the visibility reduction due to the fog. Generally, QNSE and MYJ schemes performed worse than other schemes in simulating temperature, dew point temperature, relative humidity and wind speed.

Keywords

References

1. حسن پور، ف وشیخعلی پور، ز.، 1393، مقایسه روش های هوش مصنوعی و ماسکینگهام در تخمین روند یابی سیلاب، مجله مهندسی منابع آب، سال7، شماره21، صفحات97تا108. 2. رستمی، ر.، صدقی، ح ومعتمدی، ع.، 1388، تحلیل سیلاب حوضه ی دز، مجله مهندسی آب، سال2، شماره3، صفحات61تا70. 3. قربانی، م.، ازانی،ع و محمودی وانعلیا، س.، 1394، مدل سازی بارش- رواناب با استفاده از مدل های هوشمند هیبــــــریدی، 4. تحقیقات منابع آب ایران، سال11، شماره2، صفحات146تا150. 5. یزدان پناه، ع.، وبرهمند، ن.، 1394، پیش بینی با کاربردشبیه تلفیقی شبکه ی عصبی مصنوعی و تجزیه 6. موجکی ومقایسه نتایج با شبیه انفیس (مطالعه موردی:رودکر)، مجله مهندسی منابع آب، سال8، شماره26، صفحات23تا34. 7. صف شکن، ف.، پیرمرادیان، ن و افشین شریفیان، ر.، 1396، ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارHEC-HMS در شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز معرف کسیلیان، مجله مهندسی منابع آب، سال10، شماره35، صفحات 71 تا 84. 8. سبحانی، ب.، عیسی زاده، م و شیرزاد، م.، 1396، شبیه سازی خود همبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان، نشریه حفاظت منابع آب و خاک، سال6، شماره4، صفحات 134 تا 119. 9. شکفته، م، ر.، جلیلی قاضی زاده، م، ر و یزدی، ج.، 1399، تئوری شناسایی محدوده نشست در نواحی مجزای مجازی شبکه های توزیع آب با استفاده از شبکه ی عصبی مصنوعی، مجله تحقیقات منابع آب ایران، شماره3، صفحات 47 تا 62. 10. 8.Badrzadeh, H., Sarukkalige, R. and Jayawardena, A.W., 2015. Hourly runoff forecasting for flood risk 11. management: Application of various computational intelligence models. Journal of Hydrology, 529, pp.1633-1643. 12. Yaseen, Z.M., Jaafar, O., Deo, R.C., Kisi, O., Adamowski, J., Quilty, J. and El-Shafie, A., 2016. Stream-flow forecasting using extreme learning machines: a case study in a semi-arid region in Iraq. Journal of Hydrology, 542, pp.603-614. 13. Wang, W.C., Chau, K.W., Cheng, C.T. and Qiu, L., 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4), pp.294-306. 14. Nourani, V., 2017. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, pp.267-277. 15. .Talei, A. and Chua, L.H., 2012. Influence of lag time on event-based rainfall–runoff modeling using the data driven approach. Journal of hydrology, 438, pp.223-233.
Nivar
Volume 45, 114-115 - Serial Number 114
September 2021
Pages 70-83

Files

History

  • Receive Date: 29 September 2021
  • Revise Date: 22 October 2021
  • Accept Date: 22 November 2021
  • First Publish Date: 22 November 2021

Share

How to cite

Statistics