文摘

季节性降水的预测等,是很重要的,帮助减轻对农业干旱和洪水的影响,水力发电,灾难,和许多更多。这项工作旨在获得一个合适的物理结合天气研究计划和预测季节性降水(WRF)模型模拟在加纳。使用ERA-Interim迫使数据再分析,仿真实验跨越八个月(从4月到11月)进行两个不同年份:干一年(2001年)和湿的一年(2008年)。双嵌套的方法是使用外部域分辨率50公里覆盖西非和内部域覆盖加纳分辨率10公里。结果表明,WRF模式通常高估了观测降水的年平均值在3%和64%之间。大部分的方案组合高估(低估)降水超过沿海(北部)地区的加纳两年,但估计降水超过合理森林和过渡区。总的来说,WRF一次性的6级的结合微观物理学计划,Grell-Devenyi合奏积云计划,和不对称的对流模型行星边界层方案模拟的最佳时间模式和时间变化相对偏差为两年以上,因此建议加纳。

1。介绍

大部分加纳人在农业,但越来越不可靠的降雨模式(在数量和频率)正在改变生长季节对农业生态的区域是在很大程度上影响这的经济部门。降雨量的变化可能是由于气候变化(1]。水电供应是另一个部门,是影响降水的变化模式。这是因为在沃尔特湖的水位显著下降导致发电量下降,导致使用热能由天然气和原油更贵。这导致电力价格上涨,影响工业生产力和社会经济发展。高et al。2)指出,只有2%的耕地在西非是灌溉,而剩余的98%是雨。这是多么严重的农学家西非次区域依靠降雨。

Troccoli et al。3)指出,季节性的年度预测降水是有用的许多活动都以某种方式影响的气候变化和气候变化。合适的灌溉和施肥的决策、水力发电、灌溉水坝,和灾害控制、等,都依赖于可靠的估计每月和季节性降水数量(4]。

拥有可靠的降雨量季节性预测加纳使用区域气候模型将会很长一段路要援助计划,从而减少极端降雨影响的恶劣影响农业,工业,和国内的使用等等。

天气的研究和预测中已得到了广泛的认可(WRF)模型中尺度天气和气候研究和预测。最近的研究表明,WRF模式具有良好的潜在经营降雨的降雨特性,如时间,地点,进化,西非季风的一个很好的表示(WAM)等5- - - - - -7]。元等。8]指出减少湿偏见意味着季节性降水气候预报系统(CFS)预测71%的增长模式相关性高达33%和减少错误。

Diez et al。9]降尺度ERA-Interim季节性降水预测观察到数据统计和动力降尺度方法表现良好取决于季节和地理位置。此外,他们发现这两种方法都可用于组合产生最好的技能成绩在某些情况下。

这项工作的目的是确定在WRF模型物理参数化方案的组合,最好模拟季节性降水。在最近的研究中,2001年的雨季(干)和2008(湿)模拟使用ERA-Interim迫使数据到模型中。目的是帮助提供及时和可靠的季节性降水预报在加纳使用有限的区域动力降尺度方法。

2。材料和方法

2.1。大型环流迫使数据

第三代的欧洲中期天气预报中心(ECMWF)再分析强迫数据,描述的ERA-Interim迪et al。22),用于这项工作。ERA-Interim驾驶数据包括吸收合并和观察字段每天四次步60垂直水平的空间分辨率和模型顶部10 Pa,拥有一个高斯网格表面水平间距约79公里(22]。

2.2。WRF模式

WRF模式是一个天气预报的大气模型和区域气候模型,适用于广泛的应用程序跨尺度从米到数千公里,包括理想化的模拟、参数化研究、区域气候研究,数据同化研究[23]。因此,WRF适用于动态缩小规模。3.6.1版本被用于这项研究。

2.2.1。物理模型

全球气候模型(GCMs)技术在模拟复杂的有限和当地气候特征由于其粗分辨率和输出不能降水预报提供可靠的信息。降尺度GCM输出通常是用来提供高分辨率或点尺度信息所需的任何有意义的评估在小尺度上。这通常是通过使用一个动态完成区域气候模型(RCM)和相应的物理参数化方案解决细和详细功能不好解决的全球大气环流模型(24]。

天气的研究和预测模型中包含的一系列物理方案为Skamarock et al。23]。任何自然model-generated估计的准确性取决于质量的物理模型(22]。表1显示物理参数化方案的主要类别,每个类别的各种选项,而表2从事这项研究显示他们的组合。

加纳气象局(GMet)运行WRF模式进行为期三天的天气预报,雇员Conf1 (BMJ, WSM6和YSU)方案的组合。长期高分辨率区域气候模拟,抗弹等叠层。25)使用WSM5、GD和ACM2模拟降水在沃尔塔盆地气候模式。GMet和抗弹等叠层。25)配置分别进行了测试并结合在寻求一个合适的降水的季节性预测加纳的组合方案。

2.3。降水模式在加纳

加纳经历降雨季节主要从4月到11月26),取决于几个因素。其中一个因素是厄尔尼诺-南方涛动(ENSO)的阶段,即厄尔尼诺和拉尼娜现象。在加纳,厄尔尼诺导致降雨量的减少,而拉尼娜年带来一个良好的降雨季节(26]。降雨量下降趋势的国家从1960年到最近几年(26]。海洋表面温度(太平洋)27,28),非洲东风急流(AEJ),非洲东风波(AEW)和热带东风急流(TEJ) [29日)等已知影响雨季在西非的性能。因此,对于一个模型来模拟降水在该地区相当不错,它应该能够模拟这些特性将反过来影响模型的技巧。

海洋尼诺指数(ONI),三个月移动平均延长重建的海表面温度(ERSST.v4)异常尼诺3.4地区从美国气候预测中心(CPC):http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml显示,2008年拉尼娜现象,也就不足为奇了如图要下雨1。

从图1,看到2001年获得最少的降雨,而2008收到了大多数。2001年和2008年因此被用作干、湿年,分别。选择这一时期(2000 - 2010)由于这项研究是观察季节性预测不久的将来,因此研究关注当期附近的模拟。

2.3.1。设置的ARW加纳

考虑到大规模系统影响和控制降水在加纳,创建一个更大的领域覆盖28°W-22°E, 13°S-32°N,人物2(a),这样做也将直接影响区域的边界条件的研究。

一个嵌套的两个域,粗域(d01) 50公里水平分辨率和内部域(d02)(研究区)分辨率10公里,是用于研究、人物2(a)的顶部设置为20 hPa模型。这样做是为了确保热带对流层深度通过模型来解决。

集成运行9个月的时间从3月1日开始两年了。在两个实验中,Conf1模拟(1)Conf7(7)模拟,使用相同的物理参数化方案的组合,如表所示2。海温和反照率是所有七个配置更新。

2.4。验证数据

评价WRF WRF配置是通过比较输出的配置和两组不同的数据。从全球降水气候学中心网格降水数据版本7 (GPCC v7)中描述的施耐德et al。30.)是用于这项研究。这个数据集涵盖了从1901年到2013年,每月的时间分辨率在全球范围内使用超过51000个测量站的数据集在0.5度的空间分辨率网格与网格密度介于0和64个车站。网格降水数据仍然是一个好的替代品计观测资料地区尤其是可靠和密集观测数据不可用,例如,Paeth et al。31日];尼科尔森et al。32];和Koutsouris et al。33]。在加纳,由于测量站的粗糙的性质,GPCC数据网格平均1站。WRF配置模拟结果也与降水的输出ERA-Interim再分析数据。值得注意的是,从ERA-Interim气象参数重新分析数据用于迫使WRF模式模拟不包括降水。GPCC数据和ERA-Interim数据用的WRF贴图验证。

2.5。数据处理

以下统计、相关性(R)(之间的时序模式模拟和观察到的),均方根误差(RMSE)和标准偏差(σ)(颞可变性之间的模拟和观测)计算每月的八个月期间降水的九个月积分时间的第一个月作为向上。相对偏差(RB)的整个时期的总降水模拟(8个月)为每个配置也建造。使用了以下方程: (在哪里1),(2),(3),(4)和(4 b)的相对偏差,相关性、RMSE标准差的模拟领域,分别和观察到的标准偏差。同时,是观察到的字段和是模拟的字段。

3所示。结果

3.1。WRF性能评价

使用的每个配置的性能与ERA-Interim WRF模式再分析强迫数据在整个加纳和四个农业生态的区域(即。沿海地区(东部沿海地区)、森林地带,过渡区和北部区),图2(b),通过比较估计降水ERA-Interim和WRF配置(配置)与GPCC数据(观察)的相对偏差,相关性,RMSE,和标准偏差进行了探讨。WRF系综均值(WRF-EM)表现最佳的设计为每个区也生成。这是通过各种统计数据的平均值( , ,和RMSE)表现最佳选择的成员(配置)。注意,为了达到最好的结果,不同的设计有时会选择不同的区域和不同的年份达到最好的统计数据( , ,和RMSE)。这是因为不同的设计及其执行不同的从一个区域到另一个不同的干燥和潮湿的年。

3.2。空间分布的相对偏差在降雨量加纳干旱年(2001年)和湿年(2008年)

干旱年(2001)。除了Conf1 (WSM6的结合,BMJ, YSU计划)和Conf7 (WSM5, BMJ, YSU),所有WRF配置高估了沿岸降水符合早期作品在这个地区,例如,Klutse et al。34]。这潮湿的偏见可以归因于overexaggeration大海在这个地区的影响。几乎所有的配置是在模拟观测降水的西部地区过渡和森林区域(图3)。北方地区一般都低估了Conf2 (WSM6 BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)同意早期的研究在西非在数值天气预报和气候模式,例如,Klutse et al。34),Vizy和做饭35,抗弹等叠层。25]。干燥的偏见迫使数据被认为是翻译成WRF模拟从Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)干和湿年。同时,沉淀在西海岸被Conf1低估(WSM6, BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)表明,微观物理学的影响WSM6和WSM5计划在这两个配置执行在这个领域非常相似。它也看到从图3,替换与ACM2 YSU Conf1 (WSM6, BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)如Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)产生反向偏压沿海和北部地区。一般来说,所有的配置高估了降水在沃尔特湖及周边地区符合研究抗弹等叠层。25沃尔塔盆地)。这可能是由于湖温度不适当更新模型中。Conf7 (WSM5 BMJ, YSU)记录至少意味着2.9%的偏差,而Conf5 (WSM6、GD和YSU) 63.8%的最高记录。在这项研究中使用的所有配置高估了降水。WRF-EM (Conf1 Conf3、Conf6 Conf7)显示一个伟大的技能在模拟降水海岸特别是西方国家,森林地带,过渡区,在北方。沃尔特湖地区也是很好的模拟。ERA-Interim与空间约0.7%的偏见似乎给人一种更好地估计全国平均。

丰水年(2008)。一般来说,Conf1 (WSM6, BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)表现得更好(图3)比驾驶数据量估算降水尤其是中部和北部地区。然而,Conf2 (WSM6 BMJ, ACM2), Conf4 (WSM5, BMJ, ACM2)和Conf6 (WSM6、GD和ACM2)模拟了加纳的森林区域与偏见接近于零。从Conf3高估了朝鲜很明显(WSM5、GD和YSU)和Conf5 (WSM6、GD和YSU)类似于他们的表现,干旱年(图3),而Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)低估了在同一区域。所有的配置,除了Conf1 (WSM6, BMJ, YSU)和Conf7 (WSM5, BMJ, YSU),显然是高估了沿着海岸。Conf4 (WSM5 BMJ, ACM2)记录至少意味着3.0%的偏差。WRF-EM (Conf1 Conf3、Conf6 Conf7)平均模拟几乎为零意味着全国的偏见,低估了观测降水增加0.1%。显然低估了WRF-EM略微超过北方,模拟了观测数据的中间部分国家而高估的极端南加纳。从图3配置1、3、6和7通常高估了观测数据,同时配置2和4低估了它。

低估(高估)计划在北部(沿海)区可以归因于overexaggeration干燥效果的萨赫勒(海洋)加纳北部(沿海)区。

3.3。模型的性能在加纳和农业生态的区域月度规模

WRF模拟的统计比较7配置迫于ERA-Interim进行评估干旱年(2001年)和湿的一年(2008年)从4月到11月。结果总结了泰勒图(例如,图4)。包括使用的统计参数相关性(R),均方根误差(RMSE)和标准差(σ)对整个国家和不同的农业生态的区域。WRF系综均值(WRF-EM)表现最佳的配置为每个区也代表(模拟)。注意,相依或模拟录音> 3.25的规模应用,因此并不代表泰勒图。

3.3.1。模拟加纳

考虑到模拟整个国家作为一个单元(图4)干旱年(2001),Conf2 (BMJ, WSM6和ACM2)记录最高的相关性为0.97但参考颞可变性平均高估了133%。Conf6 (WSM6 GD和ACM2)记录了至少0.83和高估了观察颞可变性的RMSE 57%是最好的观测降水的模拟颞可变性。Conf4 (WSM5 BMJ, ACM2)记录的最高RMSE 1.50和0.86中最相关的记录由Conf5 (WSM6, GD和YSU)和Conf7 (WSM5, BMJ, YSU)(表3)。

丰水年(图4),像干燥的时候,所有的配置都高估了时间模式的观察0.85及以上的沉淀与记录的相关性。Conf7 (WSM5 BMJ, YSU)记录相关性最高的0.96,而Conf5 (WSM6、GD和YSU)记录的最小值0.85。Conf4 (WSM5 BMJ, ACM2)记录最高的1.80,RMSE虽然Conf6 (WSM6、GD和ACM2)记录最低的0.85和高估的颞可变性观测降水增加55%。WRF-EM (Conf1 Conf3和Conf6)相关R0.77 = 0.88,而ERA-Interim记录干燥。湿年,WRF-EM (Conf2, Conf3、Conf6 Conf7)和ERA-Interim记录相关的0.91和0.82,分别RMSE为0.95和0.70。改变积云计划从BMJ到GD Conf3 (WSM5、GD和YSU), Conf5 (WSM6、GD和YSU),和Conf6 (WSM6、GD和ACM2)大大提高分数的RMSE和标准偏差见表3。

一般来说,Conf6 (WSM6、GD和ACM2) (Conf4 (WSM5, BMJ, ACM2))表现最好的(坏的)这两年在加纳。此外,Conf6 (WSM6、GD和ACM2)更具代表性和复制的观测数据和附加值ERA-Interim丰水年(迫使数据)。干年,然而,驾驶数据(ERA-Interim)似乎几乎重现颞可变性的观测数据在全国虽然相对贫穷的相关性与模拟的WRF配置。

3.3.2。模拟沿海地区

主要用于有关WRF-EM偏见,唯一情况WRF-EM可能做的更好比个别成员有高估和低估在同一区域。由于这,WRF-EM并不能提高个人对农业生态的区域模拟模型高估了/因为低估了在沿海/北部地区,因此WRF-EM只是意义的考虑整个国家作为一个单元。因此,偏见为农业生态的区WRF-EM不记录。同时,RMSE值配置记录> 3.25(不代表泰勒图)也被忽略。

干旱年(图的结果5)表明,Conf3 (WSM5、GD和YSU)产生最高的相关性(R= 0.84),而Conf4 (WSM5 BMJ, ACM2)记录最低的0.45(不是图)表示。所有的配置都高估了观察到的变化。本研究的结果与先前的研究一致使用WRF模式在非洲执行Klutse et al。34]。BMJ WSM6的结合,在Conf1 YSU计划,然而,同意最好的观察有最少的RMSE和颞可变性约1(一样的观察),而Conf2 (BMJ, WSM6和ACM2)记录最高的5.26颞可变性(本研究中使用的规模外,因此不显示在图)。ACM2的影响结合WSM6 BMJ,该区域可能不是好的改善模型的技能模拟降水在加纳。所有配置值添加到驾驶数据的相关性但只有Conf1 (WSM6, BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)产生更好的颞可变性和RMSE更好。WRF-EM (Conf1 Conf6和Conf7)记录相关的0.81和RMSE 0.95(表4)和颞可变性平均高估了148%。Conf7 (WSM5 BMJ, YSU)产生的偏见(偏差接近0%)最少总降水在这个区。的ERA-Interim再分析数据记录相关的0.63和RMSE 1.10和观察颞可变性高估了38%。Conf1 (WSM6 BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)表现很同样给表明议员计划在这两个配置的影响可能在该区域非常相似。

湿年(2008),Conf5 (WSM6, GD和YSU)和Conf3 (WSM5、GD和YSU)记录最好的相关性高于0.8。所有的配置包括WRF-EM (Conf3、Conf5 Conf7)记录RMSE 2.0以上。没有配置附加价值驱动数据的RMSE与干燥。ERA-Interim记录最好的均方根误差为0.85,高估了颞可变性,但最严重的相关性为0.54 54%。

3.3.3。模拟森林地带

从(图6),Conf6 (WSM6、GD和ACM2)相关的最佳观测记录0.83和0.91在2001年和2008年,分别为(表5)。Conf2 (WSM6 BMJ, ACM2)记录的最低两年(相关R= 0.73 2001和R= 0.13,2008)。仿真在该区域看到所有WRF配置和WRF-EM (Conf1和Conf7)高估了观察到的变化对湿和干年执行与早期的研究一致的抗弹等。[叠层25]在WRF模式通常高估了观察。Conf1 (WSM6 BMJ, YSU)估计最少的变化产生积极的14%干,最严重的是Conf4 (WSM5, BMJ, ACM2)和Conf2 (BMJ, WSM6和ACM2)记录的最大,高估了观察到的变化分别436%和462%,干旱年和480%和301%,分别为湿。这表明BMJ和ACM2在这两个方案配置是无法观察到的降水和繁殖,因此,不适合使用在森林地带。Conf1 (WSM6 BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)都产生了偏差低于7%以上观察到的总季节性干旱年降水在这个区。WRF-EM (Conf3 Conf5和Conf6)高估了观察到的变化具有相同大小的Conf6 (WSM6、GD和ACM2)干年但相关性和更高的RMSE相对较低。

3.3.4。模拟过渡区

过渡区,Conf6 (WSM6、GD和ACM2)表现最好的RMSE最低的和最好的标准差湿和干几年。Conf5 (WSM6、GD和YSU)和Conf7 (BMJ, WSM5和YSU)记录相关性最高的0.80和0.91,分别(表6),干、湿年(图7)。所有的配置都高估了观察到的变化为两年。Conf2 (WSM6 BMJ, ACM2)记录σ的1.35和1.65记录的最高RMSE Conf7 (WSM5, BMJ, YSU)。迫使数据低估了观察颞可变性16%和75%,分别为干、湿年,记录相关性最低的国家之一(R= 0.62),但与更好的RMSE 0.85和。Conf6 / Conf7产生偏差低于/高于2%的观察总季节性降水在丰水年该区域。

WRF_EM与观察到的数据R= 0.79 (Conf3和Conf5)R= 0.79 (Conf2和Conf6)的干、湿年,分别,这是一个改进的仿真数据和RMSE开车的1.06和0.95,分别为干燥和潮湿的年。结果表明,与干一年,WRF配置和WRF-EM大多比强迫执行的数据。

3.3.5。模拟区北部

该区域中的所有WRF配置表现良好的相关性(图两年8),Conf3 (WSM5、GD和YSU)记录最高的相关性为两年。Conf1 (WSM6 BMJ, YSU) Conf3 (WSM5、GD和YSU), Conf5 (WSM6、GD和YSU), Conf6 (WSM6、GD和ACM2),和Conf7 (BMJ, WSM5和YSU)高估了观察到的变化,而Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)低估了它。Conf4 (WSM5 BMJ, ACM2)和Conf6 (WSM6、GD和ACM2)记录下最小均方根误差为0.40(表7)。这说明PBL的效果和YSU Conf5 (WSM6、GD和YSU)(记录高RMSE和标准偏差)是适得其反而Conf6 ACM2 (WSM6、GD和ACM2)。WRF-EM记录相关的0.93和0.40和高估了颞可变性的RMSE 20%非常接近表现最好的Conf6 (WSM6, GD和ACM2)观察到的变化平均高估了16%。迫使数据低估了观测数据和记录相关的0.87和0.65的均方根误差和低估了颞可变性47%性能接近Conf2 (WSM6, BMJ, ACM2)。再次,所有配置改进观测数据的时间模式的仿真,从强迫数据。除了Conf2 (WSM6, BMJ, ACM2)和Conf4 (WSM5, BMJ, ACM2),所有的配置都高估了观察到的变化与Conf7湿年(BMJ, WSM5和YSU)观察颞可变性高估了37%。Conf2 (WSM6 BMJ, ACM2)和Conf4 (WSM5, BMJ, ACM2)低估了干年观察颞可变性38%和20%,分别。0.89和RMSE ERA-Interim记录相关的0.65和颞可变性低估了49%,而WRF-EM (Conf1, Conf2 Conf4, Conf7)记录相关的0.90和RMSE 0.44和观察颞可变性高估了3%。WRF-EM几乎再现了观察到的变化为两年(= 1.22 (Conf2 Conf3、Conf4 Conf6)= 1.03干、湿年,职责)。

3.4。WRF季节循环的性能在南部地区

从每月总降水的时间序列图在南部地区(地区包括沿海和森林农业生态的区域)的加纳(图9),它是所有除了Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)实际模拟了双峰(two-peak)降水领域观察到加纳南部的干、湿年。月降水的季节性周期显然是模拟的干旱年模拟。正如前面所讨论的,与早期的研究一致,一般由WRF高估南部加纳明显在图9与早期的研究一致,例如,高贵的et al。(36];Klutse et al。34];和抗弹等叠层。25]。6月第一个峰值,清楚地看到,符合加纳雨季高峰的主要在南部。相对干燥的时期在夏季被爱尔兰(37),一段时间的降雨减少活动,也清楚地描述了8月见所有的模拟除由Conf2 (WSM6, BMJ, ACM2)和Conf4 (WSM5, BMJ, ACM2)。小峰的季节(9 / 10月份)也清楚地描述。

湿年(2008),配置1、3、5、6和7模拟降水的季节性周期观察在南部与Conf6加纳(WSM6、GD和ACM2)模拟最佳观察的阶段。即使配置1和7阶段与观测数据,他们都是模拟远高于正常的8月份降雨量。然而,估计Conf2 (WSM6, BMJ, ACM2)和Conf4 (BMJ, WSM5和ACM2)明显的阶段和描述单峰周期峰值约8月与观察到的不一致的数据。

3.5。WRF季节循环的性能在北部部门

时间序列块北部部门(区域组成的过渡和北方区)加纳展览一个单峰降雨季节从5月至10月,山峰在八月/九月(图10)的模拟配置1、2、4和7。所有的配置在这个领域也普遍高估了观察到的降水。然而,Conf3 (WSM5、GD和YSU)和Conf5 (WSM6、GD和YSU)表现出双峰降水模式(图的一些特征10)主要发生在8月/ 9月达到顶峰。降雨的双峰特性不是北部部门但9月峰值的特征与观察阶段。只有Conf2 (WSM6 BMJ, ACM2)和Conf6 (WSM6、GD和ACM2)模拟观察到9月的高峰,具有良好的估计。只有Conf2 (WSM6 BMJ, ACM2)和Conf6 (WSM6、GD和ACM2)实际模拟的观测数据,9月干旱年具有良好的估计。湿年(2008),除了Conf1 (WSM6, BMJ, YSU),每月有一个相当不错的模拟降水尤其是配置1、2、6、7。Conf6 (WSM6 GD和ACM2)再次是唯一的方案组合能够模拟在7月的高峰,而大多数人在8月达到顶峰。配置3、4和5,然而,呈现出双峰降雨模式,但峰值在正确的八月/九月的时期。迫使数据是给一个好的模式接近观察两年来尽管模式似乎不知何故双峰丰水年。模式在这两种情况下(干、湿年)是单峰形状符合观察即使峰值早/晚于观察干/湿。

4所示。总结和讨论

这项研究被认为是最佳的物理方案的配置WRF模式,将最好的模拟季节性降水场在加纳的农业生态的区域。这将有助于提供及时和准确的季节性预测在加纳。WRF性能在加纳是评估看看空间偏见,相关性,均方根误差和标准差在加纳及其四个农业生态的区域和不同的方案配置模拟季节每月总降水量和降水的季节性周期场在北部和南部地区的加纳干、湿年。

一般来说,大部分的配置为干、湿年(2001和2008)高估了观察到的降水数据沿着沿海地区。好估计通常是模拟的西部过渡带和地区的森林地带。Conf2 (WSM6 BMJ, ACM2) Conf4 (WSM5, BMJ, ACM2)和Conf6 (WSM6、GD和ACM2)模拟小或没有偏见在潮湿的森林区域。这可能归因于ACM2 PBL表现良好在这些区域对这些模拟YSU(特别是Conf3和Conf5)。

Conf2 (WSM6 BMJ, ACM2) Conf4 (WSM5, BMJ, ACM2) WRF-EM,和强迫数据低估了一般在北方区湿和干年来给定一个迹象表明,即使这些配置表现良好的森林地带,他们可能有夸大的效果在北部萨赫勒地区的干燥区。BMJ的组合和YSU Conf1 (WSM6, BMJ, YSU)和Conf7 (BMJ, WSM5和YSU)附加值全国ERA-Interim估计两年尤其是在过渡地带,森林地带,而GD结合YSU(如Conf3 (WSM5, GD和YSU)和Conf5 (WSM6、GD和YSU)似乎通常不好在模拟降水总量为研究区域。Conf6 (WSM6 GD和ACM2)在2008年表现得那么好(湿年)具有良好的估计全国除了一般高估的沿海地区发生。然而,在整个国家对干、湿年,Conf7 (BMJ, WSM5和YSU)表现最好的模拟总降雨量季节性加纳。

WRF模式的性能的相关性,RMSE,空间分布的标准差每月平均降雨量的加纳作为一个单元和北方区湿和干年来同样执行。GD和ACM2表现出极大的技能在这些区域记录在许多情况下相关性高于0.8,标准差接近的。这可能是由于降雨量的变量性质类似考虑大区域的北部区像整个加纳作为一个单元自不同的农业生态的区域有他们独特的降雨模式。在类似的方式,结合涉及BMJ和YSU表现最好的极端区南部的国家特别是沿着海岸。Conf6 (WSM6 GD和ACM2)一般生产最好的分数的RMSE加纳和标准偏差作为一个单元,所有的农业生态的区域,尤其是在森林,过渡,北部区域的食品篮子区域和主要的集水区沃尔特湖。同时,模拟降水从计划配置与GD积云方案Conf3 (WSM5、GD和YSU), Conf5 (WSM6、GD和YSU),和Conf6 (WSM6、GD和ACM2)更好的与观测数据相关联。GD的性能在西非加纳与早期的研究一致(例如,高贵的et al。36)结合GD在计划给了最好的成绩。

WRF模式的性能(在10公里分辨率)是更好的在这些有限的区域(农业生态的区域)相比,从整个国家作为一个单元。WRF-EMs在大多数情况下,提高了技能的估计迫使数据通常表现良好在整个国家与农业生态的区域。这可能归因于GPCC数据的空间分辨率(≈55公里)更类似于在全国各地气象站的可能用于生成GPCC数据用于本研究验证。总之,这一结果表明,WRF将合适的降尺度全球环流模型(GCMs)在加纳和这是一个好的迹象西非亚区。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢加纳气象局(GMet)为这项工作提供计算机设备。欣赏作者的贡献欧洲中期天气预报中心(ECMWF)和气候数据指南的国家大气研究中心的网站链接到本研究中使用的不同数据集。