TY - JOUR T1 - Enhanced predictions of tides in the Persian Gulf through data assimilatio TT - بهبود تخمین جزر و مد در خلیج‌فارس با استفاده از همگون‌سازی داده‌ها JF - JOC JO - JOC VL - 10 IS - 40 UR - http://joc.inio.ac.ir/article-1-1552-fa.html Y1 - 2020 SP - 85 EP - 95 KW - Data assimilation KW - Ensemble Kalman Filter KW - Delft3D-FM KW - Open DA KW - tide KW - Persian Gulf N2 - 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. M3 10.52547/joc.10.40.85 ER -