پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,236 |
| تعداد مقالات | 67,810 |
| تعداد مشاهده مقاله | 115,287,517 |
| تعداد دریافت فایل اصل مقاله | 90,029,896 |
تصحیح خطای پیش بینی های کوتاه مدت دمای کمینه و بیشینه مدل WRF با استفاده از ماشین تعقیب کننده | ||
| فیزیک زمین و فضا | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 دی 1402 اصل مقاله (2.69 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2024.363736.1007552 | ||
| نویسندگان | ||
| مجتبی شکوهی* 1؛ مهدی مصری زاده2؛ ابراهیم اسعدی اسکویی1 | ||
| 1استادیار پژوهشگاه هواشناسی و علوم جو، تهران، ایران. | ||
| 2کارشناس پژهشی، پژوهشگاه هواشناسی و علوم جو، تهران، ایران. | ||
| چکیده | ||
| برونداد مدل‌های پیش‌بینی عددی وضع هوا دارای خطا است. جهت اصلاح پیش‌بینی‌های کوتاه مدت (24، 48 و 72 ساعته) دمای بیشینه و کمینه مدل WRF، از یک روش یادگیری ماشین به نام ماشین تعقیب کننده استفاده شد. در این روش با سری زمانی 300 روزه از خطای برونداد مدل و با به کارگیری روش کمترین مربعات 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 مثلا 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 قابل توجهی 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. به طور 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 به طور متوسط از 60 درصد به 85 درصد می‌رسد. | ||
| کلیدواژه‌ها | ||
| خطای طیفی؛ سری زمانی؛ قابلیت اطمیان؛ نمره مهارت؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Bias Correction of Short-Term Minimum and Maximum Temperature Forecasts of the WRF Model by Using the Pursuit Machine | ||
| نویسندگان [English] | ||
| Mojtaba Shokouhi1؛ Mehdi Mesrizadeh2؛ Ebrahim Asadi Oskouei1 | ||
| 1Assistant Professor of Research Institute of Meteorology and Atmospheric Science (RIMAS), Tehran, Iran. | ||
| 2Research Expert, Research Institute of Meteorology and Atmospheric Science (RIMAS), Tehran, Iran. | ||
| چکیده [English] | ||
| The importance of accurate forecasting in agricultural hydrometeorology is clear. This research is an approach towards the use of a tracking machine with a hidden layer for error prediction at stationary points. The predicted error will be used to modify the model output. One of the strengths of this method is the use of a meteorological variable such as maximum and minimum temperature in applications. A tracking machine with a hidden layer tracks the time series of the short-term prediction error of the maximum and minimum temperature of the model with the kernel of trigonometric functions, which is formulated as follows: x_t=∑_(n=1)^∞▒〖a_n ϕ_n (A_n t^2+B_n t+C_n e^(-D_n (t/T)^2 ) ) 〗+〖Cϵ〗_t t∈T It provides an error prediction that will effectively modify the model prediction. This machine is compact in terms of computing. The value of the standard deviation of the statistical population of the maximum temperature during the period was 10 centigrade, which shows a significant improvement from the value of 9.5 to 10.01 by the tracking machine. Also, the standard deviation of the minimum temperature was about 8.5 degrees Celsius, which was improved by the machine from 7.7 to 8.4 degrees Celsius. In this research, we use the skill score criterion, whose value will show that the skill score of the model for short-term maximum temperature has grown from a negative value with a leap to more than 0.8, which shows the significant impact of the machine in improving forecasting. The minimum temperature prediction skill score of the model will show an increase in the direction of improving the prediction. The comparison of the obtained results shows that the skill score and RMSE of predicting the maximum and minimum temperature of the modification of the output of the model have increased significantly compared to the model. Also, the monthly change in the skill score indicates the effect of the chasing car on the ability to correct the forecast, especially for the short-term maximum temperature. Investigations will show that the modification of the model has a uniform overfitting in the studied period. In addition, a powerful index independent of the concept of accuracy size will be introduced and used as a method to check the reliability of the model and tracking machine outputs, which indicates the level of confidence that can be had in the model and machine outputs. In this case, the reliability of the maximum and minimum temperature predictions and the significant growth of the index have shown stability in providing the output. After bias correction, the variability of the skill score has been significantly reduced, and by reducing the amount of forecasting error, the reliability of the model forecasts has increased from 60% to more than 85%. Depending on the location and time, the WRF model's forecasting performance is different, but after bias correction, this dependence is removed, and forecasting in all regions and times has almost the same performance. | ||
| کلیدواژه‌ها [English] | ||
| Machine Learning, Reliability, Skill Score, Spectral Error, Time Series | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 114 تعداد دریافت فایل اصل مقاله: 132 |
||