تصحیح خطای پیشبینیهای کوتاهمدت دمای کمینه و بیشینه مدل WRF با استفاده از ماشین تعقیبکننده | ||
| فیزیک زمین و فضا | ||
| مقاله 12، دوره 50، شماره 2، تابستان 1403، صفحه 465-479 اصل مقاله (1.85 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2024.363736.1007552 | ||
| نویسندگان | ||
| مجتبی شکوهی* ؛ مهدی مصری زاده؛ ابراهیم اسعدی اسکویی | ||
| پژوهشگاه هواشناسی و علوم جو، تهران، ایران. | ||
| چکیده | ||
| برونداد مدلهای پیشبینی عددی وضع هوا دارای خطا است. جهت اصلاح پیشبینیهای کوتاهمدت (24، 48 و 72 ساعته) دمای بیشینه و کمینه مدل WRF، از یک روش یادگیری ماشین به نام ماشین تعقیبکننده استفاده شد. در این روش با سری زمانی 300 روزه از خطای برونداد مدل و با بهکارگیری روش کمترینمربعات طیفی شبه فوریه-سری زمانی، خطای پیشبینیهای مدل WRF برآورد شد. خطای پیشبینیها در دوره 01/11/2020 الی 05/03/2023 برای 560 ایستگاه هواشناسی برآورد شد. یکی از نقاط قوت این روش، استفاده از تنها یک متغیر برای کاهش خطای پیشبینیهای است. عملکرد پیشبینی مدل WRF بسته به مکان و زمان متفاوت است، مثلاً نمره مهارت مدل برای دمای بیشینه در ماه سپتامبر نسبت به سایر ماهها کمتر و در مناطق جنوب غربی زاگرس نسبت به سایر مناطق کمتر است، که بعد از اصلاح این وابستگی حذف، و پیشبینی در تمام مناطق و زمانها عملکرد یکسانی دارد. نتایج نشان داد نمره مهارت، RMSE و شاخص اطمینانپذیری پس از اصلاح خطای مدل به شکل قابلتوجهی بهبود مییابد. پس از اصلاح خطا، نمره مهارت مدل برای پیشبینی دمای بیشینه از 1/0- به 85/0 و برای دمای کمینه از 38/0 به 72/0 میرسد. بهطور متوسط RMSE برای پیشبینی دمای بیشینه از 6 به 2 درجه وبرای دمای کمینه از 5/4 به 3 درجه سلسیوس میرسد. پس از اصلاح خطای مدل، تغییرپذیری نمره مهارت پیشبینیها کاهش یافته و با کاهش مقدار خطای پیشبینیها، قابلیت اطمینانپذیری به پیشبینیهای مدل بهطور متوسط از 60 درصد به 85 درصد میرسد. | ||
| کلیدواژهها | ||
| خطای طیفی؛ سری زمانی؛ قابلیت اطمینان؛ نمره مهارت؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,812 تعداد دریافت فایل اصل مقاله: 1,363 |
||