:: دوره 10، شماره 40 - ( 1398 ) ::
جلد 10 شماره 40 صفحات 95-85 برگشت به فهرست نسخه ها
بهبود تخمین جزر و مد در خلیج‌فارس با استفاده از همگون‌سازی داده‌ها
داود شریعتمداری ، سیدمصطفی سیادت‌موسوی ، سیروس ارشادی
دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران. ، siadatmousavi@iust.ac.ir
چکیده:   (3572 مشاهده)
چکیده
مدل‌های هیدرودینامیکی عموماً برای پیش‌بینی سطح آب و شدت جریانات مورد استفاده قرار می‌گیرند. اما به دلیل عدم قطعیت‌هایی نظیر دقت داده‌های ورودی یا معادلات حاکم، همواره نتایج خاص از این مدلها دارای خطا هستند. روش همگون‌سازی داده‌ یکی از مؤثرترین راه‌کارها برای جبران برخی از این خطاها و کنترل آن در مدل است. در این مقاله کارایی یکی از روش‌های پیشرفته همگون‌سازی به نام فیلتر گروهی کالمن جهت بهبود پیش‌بینی تراز سطح آب در محدوده‌ی خلیج فارس بررسی می‌شود. برای این منظور از نرم‌افزار هیدرودینامیکی Delft3D-FM  برای مدل‌سازی هیدرودینامیکی و ابزار متن باز Open DA برای اجرای فیلتر کالمن استفاده می‌شود. Open DA به نحوی توسعه داده می‌شود که یک مجموعه‌ای از فیلتر گروهی کالمن برای بهبود نیروهای مرزی به مدل هیدرودینامیکی یاد شده کوپل شود. آزمایشی برای بهبود برآورد نیروهای جزر و مد در حوضه‌ی خلیج فارس مورد بررسی قرار گرفت که طی آن، پارامترهای تعداد گروه، خطای ایستگاه مشاهداتی، خطای مرز باز و همچنین بهترین ایستگاه موجود مورد بحث و آزمایش قرار گرفت وبهینه‌ترین پارامتر‌ها به دست آمدند. نتایج نشان می‌دهد که همگون‌سازی داده‌ها با استفاده از فیلتر گروهی کالمن پیش‌بینی موثر و کارآمدی در ایستگاه‌های مشاهداتی دارد و می‌تواند نتایج مدل عددی را بهبود ببخشد.
واژه‌های کلیدی: همگون‌سازی، فیلتر گروهی کالمن، Open DA، Delft3D-FM، جزر و مد، خلیج فارس.
متن کامل [PDF 1124 kb]   (841 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مهندسی سواحل، بنادر و سازه های دریایی
دریافت: 1398/6/31 | ویرایش نهایی: 1399/6/15 | پذیرش: 1398/9/24 | انتشار الکترونیک: 1399/3/6

فهرست منابع
1. Abbasi,M.R, Chegini,V Sadrinasab,M, Siadatmousav,S.M,2019, Correcting the Sea Surface Temperature by Data Assimilation Over the Persian Gulf, Iranian Journal of Science and Technology, Transactions A: Science, Springer International Publishing, pp.141-149 [DOI:10.1007/s40995-017-0357-z]
2. Deltares. Delft3D-FM, 2016. URL https://oss.deltares.nl/web/delft3dfm.
3. Geir Evensen, Monte Carlo, and Monte Carlo. with a nonlinear quasi-geostrophic model usingMonte Carlomethods to forecast error statistics. 99, 199 [DOI:10.1029/94JC00572]
4. Kurniawan A, Ooi SK, Hummel S, Gerritsen H (2011) Sensitivity analysis of the tidal representation in Singapore Regional Waters in a data assimilation environment. Ocean Dynam 61 (8):1121-1136 [DOI:10.1007/s10236-011-0415-6]
5. Laurent Bertino, Geir Evensen, and Hans Wackernagel. Sequential Data Assimilation Techniques in Oceanography. International Statistical Review, 71(2):223-241, 2003. ISSN 03067734. [DOI:10.1111/j.1751-5823.2003.tb00194.x]
6. Moeini, M.H., Etemad-Shahidi, A., Chegini, V. and Rahmani, I., 2012, "Wave Data Assimilation Using a Hybrid Approach in the Persian Gulf", Ocean Dynamics,62, pp. 785-797. [DOI:10.1007/s10236-012-0529-5]
7. Moeini, M.H., Etemad-Shahidi, A. and Chegini, V.,2010, "Wave Modeling and Extreme Value Analysis off the Northern Coast of the Persian Gulf", Applied Ocean Research, 32(2), pp. 209-218. [DOI:10.1016/j.apor.2009.10.005]
8. Mohinder S. Grewal and Angus P. Andrews. Applications of Kalman filtering in aerospace 1960 to the present. IEEE Control Systems Magazine, 30(3):69-78, 2010. ISSN 08880611. [DOI:10.1109/MCS.2010.936465]
9. Ooi SK, Zemskyy P, Sisomphon P, Gerritsen H, Twigt D (2009) The effect of grid resolution and weather forcing on hydrodynamic modelling of South East Asian waters In: Proc of 33rd IAHR Congress, Vancouver, Canada, pp 3712-3719
10. P. Courtier, J.-J. Thepaut, and A. Hollingsworth. A strategy for operational implementation of 4D-Var, using an incremental approach. Quart. J.Roy. Meteor. Soc., 120, 1994. [DOI:10.1002/qj.49712051912]
11. R. E. Kalman. A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1):35, 1960. ISSN 00219223. [DOI:10.1115/1.3662552]
12. Rama Rao Karri, StefHummel,Ghada El Serafy, and Vladan Babovic. Data Assimilation for Water Levels and Currents in the Singapore Region : An Ensemble Steady State Kalman Filtering Approach. (July), 2012.
13. Rama Rao Karri, Xuan Wang, and Herman Gerritsen. Ensemble based prediction of water levels and residual currents in Singapore regional waters for operational forecasting. Environmental Modelling and Software, 54(April):24-38, 2014. ISSN 13648152. [DOI:10.1016/j.envsoft.2013.12.006]
14. Serpoushan,N, Mostafa Zeinoddini,M, Golestani,M.,2013, An ensemble kalman filter data assimilation scheme for modeling the wave climate in Persian Gulf, American Society of Mechanical Engineers, pp.V005T06A028-V005T06A028 [DOI:10.1115/OMAE2013-10399]
15. S. F. Schmidt. The Kalman filter - Its recognition and development for aerospace applications. Journal of Guidance, Control, and Dynamics, 4(1):4-7, 1981. ISSN 0731-5090.
16. Thomas Hamill and Jeffrey Whitaker. Distance-Dependent Filtering of Background Error Covariance Estimates in an Ensemble Kalman Filter. pages 2776-2790, 2001. https://doi.org/10.1175/1520-0493(2001)129<2776:DDFOBE>2.0.CO;2 [DOI:10.1175/1520-0493(2001)1292.0.CO;2]
17. Yanfen Zhang and Dean S. Oliver. Improving the Ensemble Estimate of the Kalman Gain by Bootstrap Sampling. Mathematical Geosciences, 42(3):327-345, 2010. ISSN 18748961. [DOI:10.1007/s11004-010-9267-8]



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 40 - ( 1398 ) برگشت به فهرست نسخه ها