View More View Less
  • 1 Eötvös Loránd Tudományegyetem (ELTE) Meteorológiai Tanszék 1117 Budapest Pázmány Péter sétány 1/A
  • 2 MTA Talajtani és Agrokémiai Kutatóintézet (MTA TAKI) Budapest
  • 3 Országos Meteorológiai Szolgálat (OMSz) Siófoki Obszervatórium Siófok
Restricted access

Purchase article

USD  $25.00

1 year subscription (Individual Only)

USD  $184.00

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 km-es 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 Θ w 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 Θ f paraméter értékére volt a legkevésbé érzékeny.

  • 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.

  • 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.