A talaj hidrofizikai tulajdonságainak hatása a konvektív csapadékra

A G R O K É M I A É S T A L A J T A N 60 (2011) 2

309–324

A talaj hidrofizikai tulajdonságainak hatása a konvektív csapadékra 1

BREUER Hajnalka, 1ÁCS Ferenc, 2RAJKAI Kálmán és 3HORVÁTH ÁKOS

1

Eötvös Loránd Tudományegyetem (ELTE), Meteorológiai Tanszék, Budapest, 2 MTA Talajtani és Agrokémiai Kutatóintézet (MTA TAKI), Budapest és 3 Országos Meteorológiai Szolgálat (OMSz), Siófoki Obszervatórium, Siófok

Bevezetés A talaj hidraulikus tulajdonságainak a konvektív csapadékra gyakorolt hatását kevés tanulmányban elemezték. OSBORNE és munkatársai (2004) a trópusi övezetben vizsgálták a konvektív csapadék talajadatbázisokra való érzékenységét. Az időjárás előrejelzésben általánosan használt USA és egy globális talajadatbázis talajparaméter-értékeivel adott konvektív csapadék becslése jelentősen eltért a megfigyelt értékektől. A különbség ellenére a szimulált csapadékmezők közötti eltérések – habár észrevehetőek – mégsem bizonyultak nagynak. GAO és munkatársai (2008) a júniusi csapadékösszegnek a domborzatra, a földhasználatra és a talaj szemcseösszetételére való érzékenységét elemezték nagy felbontású, helyi érvényességű talajadatbázison. A hidraulikus talajparaméter-értékeket COSBY és munkatársai (1984) szerint számították; a talaj szemcseösszetételére való érzékenység részletesebb elemzése azonban elmaradt. Mindkét tanulmány klimatológiai szempontból elemezte a talaj és a konvektív csapadék kapcsolatrendszerét. Mezoléptékben HORVÁTH és munkatársai (2007, 2009) valamint ÁCS és munkatársai (2008, 2010a,b) elemezték a konvektív csapadék és a talajparaméterek összefüggését. E tanulmányok az ELTE, az OMSz és az MTA TAKI együttműködésével készültek. A témakör tanulmányozását az ELTE kezdeményezte és vezette; a mezoléptékű modellt és futtatásait az OMSz, míg a talajadatbázist és a vele kapcsolatos releváns információkat az MTA TAKI biztosította. HORVÁTH és munkatársai (2007) tanulmánya leíró jelleggel, összehasonlító ábrákon állapította meg a CAPE (convective available potential energy), azaz a rendelkezésre álló konvektív potenciális energia, a felhőn belüli vertikális sebességek 925 hPa-on és a csapadékmező talajadatbázis alapján megadott talajparaméter-értékektől függő érzékenységét. ÁCS és munkatársai (2008) tanulmánya is leíró jellegű, de az előzőek mellett nyomatékosították a szabadföldi vízkapacitás parametrizálásának, valamint a talajnedvesség-tartalom területi változatosságának a fontosságát. Vizsgálataik csupán a csapadékmezőre szorítkoztak. Az érzékenységi vizsgálatok első mennyiségi becsléseit Postai cím: BREUER HAJNALKA, Eötvös Loránd Tudományegyetem, Meteorológiai Tanszék, 1117 Budapest, Pázmány Péter sétány 1/A. E-mail: [email protected]

BREUER et al.

310

HORVÁTH és munkatársai (2009), valamint ÁCS és munkatársai (2010a,b) végezték. Az ún. TSS (True Skill Statistic) verifikációs indexet használták. Az indexszel a szimulált csapadékmezők közötti különbségek szignifikáns voltát ÁCS és munkatársai (2010a,b) mutatták ki. Tanulmányukban az Egyesült Államokban elfogadott Cosby-féle (COSBY et al., 1984) (US adatbázis) és a Magyarországon használt HUNSODA (VÁRALLYAY, 1973; NEMES, 2002; FODOR & RAJKAI, 2005) (HU adatbázis) talajadatbázisokat alkalmazták. A numerikus vizsgálatokra az NCARPSU (National Center for Atmospheric Research – Pennsylvania State University) fejlesztésű MM5 modell 3. verzióját használták (DUDHIA, 1993) összesen hat napot elemezve. Jelen tanulmány célja a talaj hidraulikus tulajdonságainak a konvektív csapadék képződésére gyakorolt hatásának az elemzése. A modellérzékenységet a talajparaméter-értékek megadására használt talajadatbázisra (US és HU), a szabadföldi vízkapacitás (θf) és a hervadáspont (θw) értékekre, valamint a talajnedvesség-tartalom (θ) területi eloszlására vizsgáltuk. ÁCS és munkatársai (2008) elemzését egy elemmel kibővítettük, a napok számát, pedig kettőről nyolcra növeltük. A napok száma miatt a szignifikancia vizsgálat az ÁCS és munkatársai (2010b) közleményéhez hasonlóan hangsúlyos, de a szignifikancia vizsgálatokban a jelen munkában feldolgozott esetek száma nagyobb. A numerikus vizsgálatokat szintén az MM5 modellel végeztük. Anyag és módszer Az MM5 légköri modell A numerikus szimulációkat az NCAR MM5 Version 3 (DUDHIA, 1993) modelljével végeztük 6×6 km-es felbontást alkalmazva. A modellrendszer – a megválasztott parametrizációktól függetlenül – a hidro-termodinamikai egyenletrendszer (GÖTZ & RÁKÓCZI, 1981) alapján előrejelzi a nyomási perturbációt, a szélsebesség térbeli (háromdimenziós) komponenseit, a hőmérsékletet, a specifikus nedvességet és a különböző halmazállapotú felhőelemek keverési arányát. Az MM5 időjárás előrejelző modellben öt folyamatrendszer jellemezhető tapasztalati úton, ún. parametrizációs sémákkal. A sugárzás átviteli, a cumulus konvekció, a felhőkben zajló mikrofizikai, a planetáris határréteg és a felszín– légkör kölcsönhatási folyamatrendszerek esetében 2–3 séma is rendelkezésre áll; ezek közül akármelyik szabadon választható. Jelen munkában a sugárzási folyamatokhoz az RRTM (Rapid Radiative Transfer Model) sémát (MLAWER et al., 1997), míg a cumulus konvekció parametrizálására a Grell-féle sémát (GRELL et al., 1994) használtuk. A felhőkben zajló mikrofizikai folyamatok leírását a Reisner-féle séma (REISNER et al., 1998) alapján végeztük. E parametrizáció 5 különböző – felhő víz, felhő jég, eső, hó és hódara – hidrometeort jelez előre. A planetáris határréteg (PHR) folyamatainak leírására a lokális Eta PBL sémát választottuk (JANJIC, 1990, 1994). A séma abban az értelemben lokális, hogy csak az egymással határos levegőrétegek között van átkeveredés.

A talaj hidrofizikai tulajdonságainak hatása a konvektív csapadékra

311

A Noah LSM részmodul Az MM5-ben a felszín–légkör kölcsönhatási folyamatok leírására legújabban a Noah LSM (Land Surface Model) részmodell használatos. A séma az OSU (Oregon State University) LSM séma továbbfejlesztett változata. A modell többrétegű talaj(MAHRT & PAN, 1984), egyrétegű hó- (CHEN & DUDHIA, 2001) és egyrétegű növényállomány-modellből (PAN & MAHRT, 1987) áll. A talaj–növény rendszer párolgása a növényzet transzspirációjának és a talaj evaporációjának összege. Mind a transzspiráció, mind pedig az evaporáció a Θs, a Θf és a Θw talajparaméterek függvénye. Az evapotranszspiráció számításában a talajnedvesség modell-rácson belüli területi eloszlása normális. A normális eloszlást a Θf és Θw paraméterek értékein keresztül fejezik ki (CHEN & DUDHIA, 2001). A víz transzportja a talajban függ a talaj vízvezető képességétől (K [ms-1]), az aktuális talajnedvesség-potenciáltól (Ψ [m vízoszlop]). E hidraulikus függvényeket CAMPBELL (1974) módszere szerint parametrizáltuk. Eszerint a Ψ és a K függ a b-től (pórus eloszlási index) és a ΘS-től (telítési talajnedvesség-tartalom [m3·m-3]), valamint a ΨS-től (telítési talajnedvesség potenciál) és a KS-től (telítési vízvezető képesség, m·s-1). Verifikációs indexek Az időjárás előrejelző modellek érvényesítését (verifikálását) az ún. verifikációs indexekkel végzik (NURMI, 2003). A verifikációs indexek többsége a bináris kontingencia táblázaton alapszik (1. táblázat). 1. táblázat A meteorológiában alkalmazott kontingencia táblázat

(1) Előrejelzett (2) Nem előrejelzett

(3)

(4)

Megfigyelt a c

Nem megfigyelt b d

Megjegyzés: a: helyes találat, b: hibás riasztás, c: elvetés, d: helyes elvetés

A mérések és a szimulációk szempontjából vizsgált esemény (pl. csapadékhullás, hőmérsékleti küszöbérték elérése) típusa lehet helyes találat (a), helyes elvetés (d), elvetés (c), és hibás riasztás (b). Ezek alapján különböző verifikációs indexek definiálhatók. Bizonyos gyakran használt indexekben az események ún. klimatológiai gyakorisága is szerepet játszhat, amely gyakoriság az adott nap jellemző éghajlati átlagának felel meg. A klimatológiai gyakoriság hibás előrejelzéssel is elérhető, hiszen a véletlen találatok összege az átlag felé konvergál. Az előbbi hatás érvényesülését jelentősen csökkenti az ETS (Equitable Threat Score) vagy más néven Gilbert Skill Score (GSS) index (NURMI, 2003), ezért ezt az indexet használjuk a szimulált csapadékmező verifikálására. Mindezek alapján ETS = (a – random helyes találat)/(a + b + c – random helyes találat)

(1)

BREUER et al.

312

Az ETS a helyes találatok számát a helyes találatok véletlenszerű előfordulásának figyelembe vételével módosítja: random helyes találat = (a + c)(a + b)/(a + b + c + d)

(2)

Az ETS értéke -1/3 és 1 között változhat. Amikor 1, az előrejelzés tökéletes, amikor pedig 0, az a klimatológiai becslés. Egyes változók esetén, mint pl. a csapadék, a kontingencia táblázat kiegészíthető a csapadék megjelenésének illetve meg nem jelenésének tényén túl a csapadék mennyiségével (EBERT & MCBRIDE, 1997) is. Statisztikai módszerek A csapadék mért és szimulált értékeinek összehasonlíthatósága érdekében az ország kb. 570 csapadékmérő állomásának (1. ábra) mért értékeit az MM5 modell rácspontjaira interpoláltuk. Az interpolálást 18×18 km-es rácsra végeztük, hogy egy rácselemben legalább egy mérőállomás legyen. Az interpolált értékeket az optimális kriging módszerrel számítottuk. A módszer a megfigyelések távolság arányos súlyozásával számítja a rácselemre jellemző mennyiséget. A súlyozási faktorok statisztikailag optimális meghatározását területi autokorrelációs függvényeket tartalmazó lineáris egyenletrendszer megoldásával kaptuk (RUBEL & HANTEL, 2001; RUBEL & BRUGGER, 2009). Az autokorrelációs függvényeket mind a mérésekre, mind a szimulált értékekre külön-külön állítottuk elő. A módszerrel az interpolálási hibák is becsülhetők. Az MM5-tel szimulált 6 km-es felbontású csapadékadatok esetében a modell rácsközéppontjaira értelmezett csapadékösszeg-ből határoztuk meg az autokorrelációs függvény együtthatóit, majd interpoláltuk azokat a 18×18 km-es rácsra. A mért és szimulált csapadékmezők közötti egyezést a Spearman-féle rendezett korrelációval (SPEARMAN, 1904) is vizsgáltuk. Ez a becslés nem-parametrikus, így

1. ábra A csapadékmérő állomásokon regisztrált 24 órás csapadékösszegek területi eloszlása 2006. augusztus 1-jén


313

a minták eloszlása a becslést nem befolyásolja. A Pearson-korreláció esetében pedig feltételezzük, hogy a minták eloszlása normális. A null hipotézisünk szerint a minták nem különböznek szignifikánsan. Az eredmények taglalásakor a szignifikancia azt a valószínűséget mutatja, amelyre a null hipotézist elfogadjuk. A korrelációs együtthatók közötti különbségek szignifikancia vizsgálatában a Fisher-féle (FISHER, 1915; 1921) r-ből z-be transzformációt használtuk. A transzformációval normáltuk a Spearman együtthatókat, hogy a nem normális eloszlású minták korreláció értéke úgy módosuljon, mintha azt normális eloszlású mintákból becsültük volna. Eredményül a z értékét kaptuk. A szignifikancia szintet a z-értékből határoztuk meg a normális eloszlásra vonatkozó szignifikancia vizsgálat segítségével (ZELEN & SEVERO, 1972). A légköri modell kezdeti és peremfeltételei Az MM5 modell futtatásához szükséges kezdeti- és peremfeltételeket az ECMWF MARS (European Centre for Medium-Range Weather Forecasts’s Meteorological Archive and Retrieval System) adatbázisból vettük, melyeket az OMSz bocsátott rendelkezésünkre. Az adatbázisban található adatmezők az ECMWF globális modellje által számított adatokat tartalmazza, melyekbe a különböző meteorológiai szolgálatok által mért adatok asszimilálása már megtörtént. A változók, pl. a geopotenciális magasság, a potenciális örvényesség, a specifikus nedvesség, a hőmérséklet, a szél horizontális és vertikális komponensei 20 magasságon. A szél komponensek 1000-től 100 hPa-ig 50 hPa-ként tartalmazták a kezdeti feltételeket is. Ezen kívül bemenő adatként szerepelt még a talaj hőmérséklete és nedvességtartalma 4 mélységben, a 2 m-es relatív nedvesség és hőmérséklet, a 10 m-es szél és a felszíni hőmérséklet (skin temperature). Az adatmezők – lévén modellből származó adatok – rácsra számított értékek, amely rács horizontális felbontása ≈13,75 km. Talajadatok A talajadatokat a Noah LSM séma használja. A talaj fizikai féleség területi eloszlása határozza meg a talaj hidrofizikai tulajdonságainak területi eloszlását. A FAO (Food and Agriculture Organization) szerint az általunk vizsgált modellterületen 6 talaj fizikai féleség kategória fordul elő, melyek területi megoszlása a 2. ábrán látható. Magyarországon a FAO felosztás szerint többnyire agyagos vályog és agyag szemcseméretű talajok vannak. Az MM5 modellben használt hidrofizikai paraméterek: a ΘS, a Θf, a Θw, a ΨS, a b és a KS értéke az Egyesült Államok talaj fizikai féleségeire (1–12 szemcseméret kategória) (COSBY et al., 1984) alapján megadható. A magyarországi talajokra érvényes talajparaméter-értéket – a KS kivételével – a HUNSODA adatbázis alapján számítottuk. A KS-értékét a FODOR és RAJKAI (2005) által használt módszerrel becsültük. A HUNSODA talajminták talaj fizikai féleség besorolását FILEP és FERENCZ (1999) szerint végeztük. A hidrofizikai paraméterértékeket pedig CAMPBELL (1974) módszerével becsültük grafikusan. A Noah LSM-ben használt

314

BREUER et al.

2. ábra A talaj fizikai féleség területi eloszlása az MM5 modellterületén a FAO szerint

talajparaméter-értékeket a HU adatbázis, valamint az US adatbázis alapján a 2. táblázat tartalmazza. A K(Ψ)-függvény hatványkitevője a b porozitási index. b a vízmozgás modellszámításaiban játszik jelentős szerepet, ugyanis a Ψ- és a K-függvényekben hatványkitevő. Értéke folyamatosan növekszik a homok fizikai féleségtől haladva az agyagos felé. Növekedésének mértéke nagyobb az US-, mint a HU-adatbázisban. A KS értéke – a vályogos homok kategóriát kivéve – minden kategória esetén kisebb a HU, mint az US adatbázisban. Az 1 m-es talajszelvények telítési vízkészlet értékei 30–170 mm-rel nagyobbak a HU, mint az US talajok esetén. Látható az is, hogy a hasznos vízkészlet (Θf – Θw), átlagosan 45 mm-rel kisebb az US talajokra becsültnél. Ebből következően azonos kezdeti talajvízkészletek esetén a magyarországi talajok aszály-érzékenyebbek az US-talajoknál. A hasznos vízkészlet függvényében számított evapotranszspiráció-értékek ebből következően jelentősen eltérhetnek. A 2. táblázatban a Θf és Θw értékét úgy számítottuk, hogy a Θ területi eloszlását normális eloszlásúnak (ÁCS, 2003) vettük. Ha a Θ rácsfelszínen belüli területi eloszlására homogén eloszlást vennénk, akkor a Θf és a Θw értéke jelentősen eltérne a normális eloszlásra vonatkozó értékektől. A homogén területi eloszlásra vonatkozó Θfhom és Θwhom értékek különböző fizikai féleség kategóriák esetén a 2. táblázatban találhatók. A Θ homogén (Θfhom és Θwhom), illetve inhomogén (Θf és Θw) területi eloszlására kapott értékek kapcsolatát ÁCS és munkatársai (2010b) munkája tárgyalja.


315

2. táblázat A talaj hidrofizikai paraméterértékei a HU-, illetve az US-adatbázis (COSBY et al., 1984) szerint (1)

Θwhom

Ψs (m)

Ks (m·s-1)

A. HU-adatbázis szerint 0,507 0,325 0,234 0,029 0,598 0,479 0,419 0,080 0,476 0,379 0,330 0,064 0,468 0,406 0,375 0,088

0,058 0,016 0,128 0,176

0,060 0,126 0,143 0,224

3,26·10-5 2,52·10-5 1,14·10-5 4,58·10-6

4,21

0,439

0,354

0,312

0,061

0,122

0,132

7,98·10-6

4,74 6,21

0,580 0,541

0,479 0,489

0,429 0,463

0,139 0,147

0,278 0,294

0,207 0,228

3,05·10-6 8,00·10-7

2,79 4,26 4,74 5,25

B. US-adatbázis szerint 0,339 0,236 0,010 0,421 0,383 0,028 0,434 0,383 0,047 0,439 0,329 0,066

0,069 0,036 0,141 0,355

1,07·10-6 1,41·10-5 5,23·10-6 3,38·10-6

6,66

0,404

0,314

0,067

0,135

4,45·10-6

8,17 11,55

0,465 0,468

0,382 0,412

0,103 0,138

0,263 0,468

2,45·10-6 9,74·10-7

Fizikai féleség

b

a) homok b) vályogos homok c) homokos vályog d) vályog e) homokos agyagos vályog f) agyagos vályog g) agyag

3,02 3,90 3,99 4,20

a) homok b) vályogos homok c) homokos vályog d) vályog e) homokos agyagos vályog f) agyagos vályog g) agyag

Θs

Θfhom

Θf

Θw

(m3m-3)

Megjegyzés: b: porozitási index; Θs: telítési talajnedvesség-tartalom; Θf: szabadföldi vízkapacitás; Θw: hervadáspont; Ψs: telítési talajnedvesség-potenciál; Ks: telítési vízvezető képesség; Θfhom és Θwhom: a homogén területi eloszlásra vonatkozó értékek

Csapadékadatok A szimulált csapadékmezőket mért napi csapadékmennyiség alapján verifikáltuk. A mért napi adatok az Országos Meteorológiai Szolgálat és a környező országok csapadékmérő hálózatának automata (29 szinoptikus- és 68 klímaállomás) és hagyományos (560 mérőállomás) csapadékmérései. A mért csapadékértékeket az OMSz INDA (Interactive Network Database Access) adatbázisából vettük át. A mérések hibája 0–10%. A cseppfolyós halmazállapotú csapadék mennyisége alábecsült. Az alábecslés fő oka a szél, pl. a szél által felerősített párolgás a mérőedényből. A hiba nagysága függ a szélsebességtől, és csökkenthető, mint ahogy ezt RUBEL és HANTEL (1999) megmutatta. A csapadékmérés hibáját nem vettük figyelembe, mert a mért és a szimulált csapadék különbsége lényegesen nagyobb, mint a mérési hiba. MM5-alkalmazások, numerikus vizsgálatok Az MM5-öt érzékenységi vizsgálatokra használtuk, ezért a modellfuttatások során nem alkalmaztunk adatasszimilációt. A modellt a kezdeti feltételek mellett csak

BREUER et al.

316

a 3 óránként megadott peremfeltételek szabályozták. A modellt minden esetben 00 UTC-kor indítottuk és 30 óra időtartamra futtattuk. Ezt két okból tettük. Egyrészt szükséges néhány órás felfutás, hogy a felhőzet kellő mértékben megjelenjen, és a talaj hatása érvényesülhessen. Másrészt a csapadékmérések – különösen a hagyományos állomásokon – az előző nap 06 UTC-től az adott nap 06 UTC-ig terjedő időszakra vonatkoznak. Ezért a modellt is a következő nap 06 UTC időszakig futtattuk. A modell horizontális felbontása 6×6 km. Ez a felbontás megengedi a cumulus konvekció parametrizációjának a használatát, ami jelentősen meggyorsítja a számításokat és a talaj hatása is érvényre jut. A modell szimulációkat nyolc napra végeztük: 2006. 08. 01., 2006. 08. 07., 2007. 05. 05., 2007. 05. 22., 2007. 07. 24., 2007. 08. 10., 2007. 08. 12., 2007. 08. 20. A vizsgálatban szereplő napok kiválasztásakor figyelembe vettük egyrészt, hogy az MM5 kezdeti- és peremfeltételeit biztosító ECMWF modell felszíni modellje változatlan legyen, másrészt, hogy a csapadék a nyári időszakban megjelenő konvektív típusú csapadék legyen. Ekkor ugyanis igen nagy mennyiségű csapadék hullik. A modellfuttatások beállításai a 3. táblázatban láthatók. A talajadatbázisra való érzékenység az A és a B szimulációk összehasonlításával (A/B) állapítható meg. A 8 nap szimulációs adatait összesítettük, hogy nagyobb mintahalmazt értékeljünk. Érzékenységi vizsgálatra a mért érték és a szimulációs eredmények ETS indexeit használtuk. Az érzékenységet a referenciafuttatáshoz viszonyított változásokkal vizsgáltuk. Az (ETSszim A – ETSszim B)/ETSszim A értéke a talajparaméter-értékek becslésére használt talajadatbázis hatását kifejező relatív ETS-érték. Az érzékenységet a szimulált konvektív csapadékmezők összehasonlításával kapott ETS indexekkel is elemezhetjük. Ekkor a szimulált csapadékmezőket a referenciafuttatásáéhoz (A) viszonyítjuk. A Θf és a Θw paraméterek értékére való érzékenység az A és a C (A/C), valamint az A és az E szimulációk (A/E) összehasonlításával szemlélhető. Végül, az A és a D szimulációk (A/D) alapján a Θ területi változatosságának hatását vizsgáltuk. Ez összesen 8×4 = 32 db szimuláció, ami összesen 640 perc számítási időt jelentett az OMSZ SGI Altix 3700b nevű szuperszámítógépén. 3. táblázat A modell szimulációkban használt feltételek (2) (1)

Futtatás A B C D E

Fizikai féleség eloszlás

FAO

(4)

(3)

Θf

Adatbázis HU US HU

Megjegyzés: 1,3VÁRALLYAY (1973); Θf és Θw: lásd 2. táblázat

1

pF=2,3 2 K=0,5 mm·nap-1 2 K=0,5 mm·nap-1 1 pF=2,3 1 pF=2,3 2,3

Θw 3

pF=4,2 pF=4,2 3 pF=4,2 3 pF=4,2 4 5·ρ·hy 3

Talajnedvesség területi eloszlása a) inhomogén a) inhomogén a) inhomogén b) homogén a) inhomogén

CHEN & DUDHIA (2001); 4STEFANOVITS et al. (1999);


317

Eredmények Verifikáció A referenciafuttatás (A) ETS értékeit a 3. ábrán tüntettük fel. Az ETS értékek eloszlását a kumulatív csapadékösszeg függvényében ábrázoljuk a 8 modellezett napra. Látható, hogy a modell leginkább a 3–13 mm-es csapadékintenzitás tarto mányban adta a mért értékekkel legjobban egyező eredményeket. A 20 mm csapadékösszeg feletti tartományban a modell „találati aránya” jelentősen lecsökkent. Az arány részben az esetszám miatt csökken, részben pedig amiatt, hogy az ilyen nagy csapadékösszegű területek a zivatarok gócpontjaira jellemzők, amelyeket a modell – a használt felbontásban – nem megfelelő pontossággal helyez el. 0.25 0.2

ETS

0.15 0.1 0.05 0 1

3

5

7

9

11

13

15

17

19

21

23

25

27

29

-0.05

3. ábra Az A szimuláció talajparaméter-értékei alapján számított ETS-értékek csapadékintenzitás szerinti eloszlása a 8 modellezett napon. Vízszintes tengely: Csapadékösszeg (mm·24óra-1)

Érzékenységi vizsgálatok A modell talajparaméterekre való érzékenysége nem mutatható ki a szimulált csapadékmezők különbsége alapján. A különbség-térképeken (nem ábrázoljuk) a szimulált csapadéksávokkal párhuzamosan a pozitív különbségek mellett, eltolódva, az esetek legnagyobb részében negatív anomália is húzódik, melyből a csapadékrendszer eltolódására következtethetünk. Ugyanakkor a területi anomáliák nem minden esetben egészítik ki egymást. Az eltolódások kb. 50 km nagyságúak (kiterjedésűek), a csapadékintenzitásbeli különbségek pedig ± 20 mm·nap-1 közöttiek. Ezért a modellfuttatások kiértékelése több és körültekintőbb statisztikai vizsgálatot igényel, mert a nem egységes különbségeket mutató modelleredmények-hez egy verifikációs index elemzése nem elegendő (EBERT & MCBRIDE, 1997). A fentiekben vázolt hatásokhoz tartozó ETS relatív értékek 1 illetve 5 mm-nél nagyobb napi csapadékösszegre a 4. ábrán láthatók. A nagy ETS különbség feltehetően szignifikáns, ám ennek igazolására szignifikancia teszt nem alkalmazható. A

BREUER et al.

318

A/B

A/C 1 mm/ nap 5 mm/ nap A/D

A/E

0

0.05

0.1

0.15

0.2

0.25

0.3

Relatív ETS különbség

4. ábra A vizsgált 8 nap 1 és 5 mm-nél nagyobb csapadékösszegű rácspontjainak relatív ETSkülönbségei [pl. (ETSszim A – ETSszim B)/ETSszim A] az A–E modellfuttatásokban

legnagyobb relatív ETS különbségek (13 és 12%) a talajparaméterek eltérő adatbázisból adott becsléséből (A/B), illetve a Θw parametrizációk (A/E) összehasonlításakor adódtak. E különbséget követi az A/D (7%), a legkisebb érzékenységet pedig a Θf parametrizálása (A/C) mutatta. Ha az 5 mm-nél nagyobb csapadékösszeget vizsgáljuk (3. ábra) – amelyre a modell a legpontosabb –, akkor ismét az A/B és A/E összehasonlítás tér el leginkább, azaz 27% és 22%-nyi. Annak ellenére, hogy 1 mm-re a talajnedvesség területi eloszlásából adódó különbség igen kicsi (2%), az 5 mm-es csapadékra már 12% a relatív különbség, ami nagyobb, mint az A/C esetében. Az érzékenységet a szimulált konvektív csapadékmezők összehasonlításával kapott ETS indexekkel is elemeztük. Az 5. ábrán a csapadékmezők különbségét mutató ETS-értékeket, az érzékenységi vizsgálatok eredményét és csapadékintervallumok szerinti eloszlásukat szemléltetjük. Az intervallumok a csapadékmennyiségek minimumát jelölik, mert a felső határ kijelölésére kevés szimulált adat van. Az ETS index -1/3 és +1 között változik. A kisebb ETS-érték a konvektív csapadékmennyiségnek az adott hatótényezőre való nagyobb érzékenységét jelenti. Az ábrából egyértelmű, hogy a lehullott csapadék mennyisége a talajadatbázisokra (A/B) a legérzékenyebb. A modell érzékenysége a Θw paraméterre (A/E) jelentősen kisebb, mint a talajdatbázisra való érzékenység (A/B), míg a Θf -re való érzékenység (A/C) a legkisebb. A mért és a modellezett csapadékmennyiségek Spearman-korrelációs együtthatóinak szignifikancia vizsgálata is igazolta (6. ábra) az előbbi eredményeket. Azaz, a talajadatbázisra való érzékenység a legnagyobb, míg a Θf-re való érzékenység a legkisebb. A talajadatbázisra (A/B) kapott különbség 2%-os szinten szignifikáns. A talajnedvesség-tartalom területi eloszlásának hatására (A/D) a szignifikancia szint 10%-on belüli, míg a Θw-nek hatására (A/E) a szignifikancia szint 12% körüli.


319

0.80 0.75 0.70

ETS

0.65 0.60

A/B A/C

0.55 0.50

A/D A/E

0.45 0.40 1

3

5

7

9

11

13

15

17

19

21

23

25

27

29

5. ábra Az ETS index alakulása az érzékenységi vizsgálatok típusa és a csapadék intervallumok függvényében. Az ETS értékek 8 napra vonatkoznak. Vízszintes tengely: Csapadékösszeg (mm·24óra-1)

A/B

A/C

A/D

A/E

0

0.05

0.1

0.15

0.2

0.25

0.3

Szignifikancia szint

6. ábra A vizsgált 8 nap szimulációs eredményeinek Spearman korrelációs különbségeinek szignifikancia szintje

Eredmények kiértékelése A szimulációs eredmények alapján egyértelmű, hogy a konvektív csapadék mennyisége erősen függ a talajadatbázistól talajadatbázisig változó talajparaméterértékektől. Ezen esetben megmutattuk, hogy egy hazai és egy külföldi adatbázisból származtatott talajparaméter-értékek között a különbségek nemcsak talajfizikai, hanem meteorológiai szempontból is jelentősek lehetnek. A konvektív csapadék szimulációjában a talajtulajdonságok a párolgáson, vagyis a látens hőáramon keresztül hatnak. A látens hőáram megváltozásával módosul a felszín energiaegyenlege is, amely módosítja a felszín és a szabad légkör közötti planetáris határréteg (PHR) állapotát, többek között a magasságát. Mivel a modell bemenő adatai azono-

BREUER et al.

320

sak, a szimulációkban az US-talajokénál nagyobb hasznos vízkészletű HU-talajok azoknál szárazabbak (2. táblázat). E talajnedvesség-különbség miatt a PHR magasságok is nagyobbak a HU-, mint az US-esetben (LAZA, 2010). A PHR magasságbeli különbség – megfelelő időjárási körülmények között – a konvekciót is jelentősen módosíthatja (HOHENEGGER et al., 2009). A lehullott csapadékmennyiségre a megváltozott konvekció hatását az ETS indexszel vizsgáltuk (4. ábra). Megállapítottuk, hogy a HU és az US adatbázisokból meghatározott talajparaméterek jelentősen befolyásolják a lehulló csapadékmennyiség területi változékonyságát. Ez egyértelműen megállapítható a szimulációk és a mérések összevetése alapján. Vizsgáltuk továbbá a konvektív csapadéknak a Θf és a Θw értékeire, valamint a talajnedvesség rácson belüli eloszlására való érzékenységét. A három hatás közül a Θw hatása bizonyult a legerősebbnek, míg a Θf hatása a leggyengébbnek (5. ábra). Ezeket az eredményeket a Spearman korrelációs vizsgálatok is igazolták (6. ábra). Összefoglalás A talaj hidrofizikai paraméterértékeinek a szimulált csapadékmennyiségre és annak területi eloszlására gyakorolt hatását vizsgáltuk. Vizsgálatunkban két különböző talajadatbázisból – az USDA és a HUNSODA – adott hidraulikus talajparaméter-értékre kapott csapadékeloszlást vetettük össze. Elemeztük továbbá a szimulált csapadékmezőnek a szabadföldi vízkapacitás és a hervadáspont parametrizálására, valamint a talajnedvesség rácson belüli területi eloszlására való érzékenységét. A szimulációkat 8 napra végeztük a Noah felszínmodellel csatolt MM5 időjárás előrejelző rendszerrel. A szimulált csapadékeloszlást mért csapadékmennyiségekkel hasonlítottuk össze. A szimulált és a mért csapadékadatok interpolált értékei 18×18 km-es rácsra vonatkoznak. A különböző adatbázisokból becsült talajparaméter-értékek különbözősége nem eredményezett rendezett mintázatbeli különbségeket a konvektív csapadék területi eloszlásában. A teljes modellterületre lehulló csapadékmennyiség jelentéktelen mértékben tért el a különböző szimulációk során A csapadékrendszerek vonulásának szimulációiban a különbségeket sokszor a szimulált csapadéksávok kb. 50 kmes eltolódásai okozzák. Ez lokálisan akár ± 30 mm·nap-1 csapadékkülönbséget jelent. A talajadatbázisok különbözőségéből eredő talajparaméter-érték különbségek akár 25%-os különbséget is adnak a csapadék ETS verifikációs indexében. A Spearman korreláció alapján a szimulált csapadékmezők különbsége pedig a p = 0,02 szinten szignifikáns. A Θw parametrizálása szintén fontosnak bizonyult. Ekkor az ETS kb. 20%-kal változott meg, a mért és a modellezett csapadék pedig a p = 0,11 szinten különbözött szignifikánsan. A konvektív csapadék a Θf paraméter értékére volt a legkevésbé érzékeny. E tanulmány az NKFP 3-00022/2005 és OTKA K-81432 számú pályázatok, valamint az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósult meg (a támogatás száma TÁMOP 4.2.1/B-09/1/KMR-2010-003).


321

Kulcsszavak: konvektív csapadék, talajadatbázis, talaj hidrofizikai paraméterek, időjárási modell, érzékenységi vizsgálat Irodalom ÁCS, F., 2003. On the relationship between the spatial variability of soil properties and transpiration. Időjárás. 107. 257–272. ÁCS F., HORVÁTH Á. & BREUER H., 2008. A talaj szerepe az időjárás alakulásában. Agrokémia és Talajtan. 57. 225–238. ÁCS, F. et al., 2010a. Sensitivity of local convective precipitation to parameterization of the field capacity and wilting point soil moisture contents. Időjárás. 114. 39–55. ÁCS, F. et al., 2010b. Effect of soil hydraulic parameters on the local convective precipitation. Meteorol. Z. 19. 143–153. CAMPBELL, G. S., 1974. A simple method for determining unsaturated conductivity from moisture retention data. Soil Sci. 117. 311–314. CHEN, F. & DUDHIA, J., 2001. Coupling and Advanced Land Surface-Hydrology Model with the Penn State-NCAR MM5 Modeling System. Part I. Model implementation and sensitivity. Mon. Wea. Rev. 129. 569–585. COSBY, B. J. et al., 1984. A statistical exploration of the relationships of soil moisture characteristics to the physical properties of soils. Water Resour. Res. 20. 682–690. DUDHIA, J., 1993. A non-hydrostatic version of the Penn State-NCAR Mesoscale Model: Validation tests and simulation of an Atlantic cyclone and cold front. Mon. Wea. Rev. 121. 1493–1513. EBERT, E. E. & MCBRIDE, J. L., 1997. Methods for verifying quantitative precipitation forecast: application to the BMRC LAPS model 24-hour precipitation forecast. BMRC Techniques Development Report No. 2. Melbourne, Australia. FILEP GY. & FERENCZ G., 1999. Javaslat a magyarországi talajok szemcseösszetétel szerinti osztályozásának pontosítására. Agrokémia és Talajtan. 48. 305–320. FISHER, R. A., 1915. Frequency distribution of the values of the correlation coefficient in samples of an indefinitely large population. Biometrika. 10. 507–521. FISHER, R. A., 1921. On the ’probable error’ of a coefficient of correlation deduced from a small sample. Metron. 1. 3–32. FODOR, N. & RAJKAI, K., 2005. Estimation of physical soil properties and their use in models. Agrokémia és Talajtan. 54. 25–40. GAO, Y. et al., 2008. Enhacement of land surface information and its impact on atmospheric modeling in the Heihe River Basin, northwest China. J. Geophys. Res. 113. (D20S90), doi:10.1029/2008JD010359. GÖTZ G. & RÁKÓCZI F., 1981. A dinamikus meteorológia alapjai. Tankönyvkiadó. Budapest. GRELL, G., DUDHIA, J. & STAUFFER, D., 1994. A description of the fifth generation Penn State/NCAR Mesoscale Model. NCAR Tech. Note NCAR/TN-398+STR. HOHENEGGER, C. et al., 2009. The soil moisture–precipitation feedback in simulations with explicit and parameterized convection. J. Climate. 22. 5003–5020. HORVÁTH, Á., ÁCS, F. & BREUER, H., 2009. On the relationship between soil, vegetation and severe convective storms: Hungarian case studies. Atmos. Res. 93. 66–81.

322

BREUER et al.

HORVÁTH, Á., ÁCS, F. & GERESDI, I., 2007. Sensitivity of severe convective storms to soil hydrophysical characteristics: A case study for April 18, 2005. Időjárás. 111. 221–237. JANJIC, Z. J., 1990. The step-mountain coordinate–physical package. Mon. Wea. Rev. 118. 1429–1443. JANJIC, Z. J., 1994. The step-mountain Eta coordinate model. Further developments of the convection, viscous sublayer and turbulent closure schemes. Mon. Wea. Rev. 122. 927–945. LAZA B., 2010. A planetáris határréteg és a talaj hidrofizikai tulajdonságai közötti kapcsolat vizsgálata az MM5 modellel. BSc szakdolgozat. Budapest. MAHRT, L. & PAN, H. L., 1984. A two-layer model of soil hydrology. Bound.-Layer Meteorol. 29. 1–20. MLAWER, E. J. et al., 1997. Radiative transfer for inhomogeneous atmosphere: RRTM, a validated correlated-k model for the longwave. J. Geophys. Res. 102. (D14) 16663–16682. NEMES, A., 2002. Unsaturated soil hydraulic database of Hungary: HUNSODA. Agrokémia és Talajtan. 51. 17–26. NURMI, P., 2003. Recommendations on the Verification of Local Weather Forecasts. ECMWF Tech. Memo No. 430. Reading, England. OSBORNE, T. M. et al., 2004. Influence of vegetation on the local climate and hydrology in the tropics: sensitivity to soil parameters. Clim. Dyn. 23. 45–61. PAN, H. L. & MAHRT, L., 1987. Interaction between soil hydrology and boundary-layer development. Bound.-Layer Meteorol. 38. 185–202. REISNER, J., RASMUSSEN, R. M. & BRUINTJES, R. T., 1998. Explicit forecasting of supercooled liquid water in winter storms using the MM5 mesoscale model. Quart. J. Roy. Meteor. Soc. 124. 1071–1107. RUBEL, F. & BRUGGER, K., 2009. 3-hourly quantitative precipitation estimation over Central and Northern Europe from rain gauge and radar data. Atmos. Res. 94. 544–554. RUBEL, F. & HANTEL, M., 1999. Correction of daily rain gauge measurements in the Baltic Sea drainage basin. Nord. Hydrol. 30. 191–208. RUBEL, F. & HANTEL, M., 2001. BALTEX 1/6-degree daily precipitation climatology 1996–1998. Meteor. Atmos. Phys. 77. 155–166. SPEARMAN, C., 1904. The proof and measurement of association between two things. Amer. J. Psychol. 15. 72–101. STEFANOVITS P., FILEP GY. & FÜLEKY GY., 1999. Talajtan. 4. kiadás. Mezőgazda Kiadó. Budapest. VÁRALLYAY GY., 1973. A talaj nedvességpotenciálja és új berendezés annak meghatározására az alacsony (atmoszféra alatti) tenziotartományban. Agrokémia és Talajtan. 22. 1–22. ZELEN, M. & SEVERO, N. C., 1972. Probability functions. In: Handbook of Mathematical Functions. (Eds.: ABRAMOWITZ, M. & STEGUN, I. A.) 925–996. Dover Publications Inc. New York. Érkezett: 2011. szeptember 19.


323

Effect of soil hydrophysical properties on convective precipitation 1

H. BREUER, 1F. ÁCS, 2K. RAJKAI and 3Á. HORVÁTH

1

Department of Meteorology, Eötvös Loránd University (ELTE), Budapest, 2Research Institute for Soil Science and Agricultural Chemistry (RISSAC) of the Hungarian Academy of Sciences, Budapest and 3Siófok Observatory of the National Meteorological Service, Siófok (Hungary)

S um ma ry The aim of the present study was to analyze the effect of soil hydrophysical parameters on the simulated spatial distribution of convective precipitation. The hydrophysical parameters were derived from two different soil databases: USDA and HUNSODA. Three other soil effects were also considered: the effect of the parameterization of field capacity and wilting point, and the effect of the spatial distribution of soil moisture content in a grid cell. Simulations of eight heavy precipitation events were carried out with the MM5 numerical weather prediction system, coupled with the Noah land-surface model. The simulated precipitation distributions were compared with interpolated rain-gauge measurements. There was no systematic pattern in the simulated precipitation fields with respect to different soil effects. The precipitation amounts obtained for different simulations changed only insignificantly when summed over the whole model domain. Nevertheless, on the meso-scale a shift in the precipitation fields of the order of 50 km was common, which caused a precipitation difference of up to ± 30 mm/day locally. Soil database differences had the greatest effect on convective precipitation. In this case, differences in ETS (Equitable Threat Score) skill scores reached 25%, while according to the Spearman correlation method the simulations were significant at the p = 0.02 level. Among the other effects, the wilting point parameterization effect was the strongest. In this case, the ETS differences were about 20%, while the difference between the measured and simulated precipitation field was significant at the p = 0.11 level. The weakest sensitivity was obtained for the effect of field capacity parameterization. Table 1. Contingency table applied in meteorology. (1) Forecast. (2) Not forecast. (3) Observed. (4) Not observed. Remark: a: Hit; b: False alarm; c: Miss; d: Correct non-event. Table 2. Soil hydrophysical parameters according to the Hungarian (HU: A) and US (B) databases (COSBY et al., 1984). (1) Soil texture. a) Sand; b) loamy sand; c) sandy loam; d) loam; e) sandy clay loam; f) clay loam; g) clay. Remark: b: Pore distribution index; Θf: Field water capacity; Θw: Wilting point; Ψs: Saturated soil moisture potential; Ks: Saturated hydraulic conductivity; Θfhom and Θwhom: Values referring to homogeneous areal distribution. Table 3. Conditions applied in the model simulations. (1) Run. (2) Soil texture distribution. (3) Database. (4) Areal distribution of soil moisture. Fig. 1. Areal distribution of 24-h precipitation sums recorded at precipitation measurement stations on 1 August 2006.

324

BREUER et al.

Fig. 2. Areal distribution of soil texture over the MM5 model area according to FAO. Legend (from left to right): loamy sand; sandy loam; loam; sandy clay loam; clay loam; clay; water. Fig. 3. Distribution of ETS values calculated from the soil parameters in Simulation A according to the rainfall intensity on the eight modelled days. Horizontal axis: Precipitation sum (mm·24 h-1). Fig. 4. Relative ETS differences [e.g. (ETSsimA–ETSsimB)/ETSsimA] at lattice points for precipitation sums greater than 1 and 5 mm in model runs A–E. Fig. 5. Changes in the ETS index as a function of the type of sensitivity analysis and the precipitation intervals. ETS values are for eight days. Horizontal axis: Precipitation sum (mm·24 h-1). Fig. 6. Significance levels of differences in Spearman correlation coefficients for the simulation results of the eight days analyzed.

A talaj hidrofizikai tulajdonságainak hatása a konvektív csapadékra

Recommend Documents