تصحیح خطای پیش بینی های کوتاه مدت دمای کمینه و بیشینه مدل WRF با استفاده از ماشین تعقیب کننده

برونداد مدل های پیش بینی عددی وضع هوا دارای خطا است. جهت اصلاح پیش بینی های کوتاه مدت (۲۴، ۴۸ و ۷۲ 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 ۳۰۰ روزه از خطای برونداد مدل و با به کارگیری روش کمترین مربعات طیفی شبه فوریه-سری زمانی، خطای پیش بینی های مدل WRF برآورد شد. خطای پیش بینی ها در دوره ۰۱/۱۱/۲۰۲۰ الی ۰۵/۰۳/۲۰۲۳ برای ۵۶۰ ایستگاه هواشناسی برآورد شد. یکی از نقاط قوت این روش، استفاده از تنها یک متغیر برای کاهش خطای پیش بینی های است. عملکرد پیش بینی مدل WRF بسته به مکان و زمان متفاوت است، مثلا نمره مهارت مدل برای دمای بیشینه در ماه سپتامبر نسبت به سایر ماه ها کمتر و در مناطق جنوب غربی زاگرس نسبت به سایر مناطق کمتر است، که بعد از اصلاح این وابستگی حذف، و پیش بینی در تمام مناطق و زمان ها عملکرد یکسانی دارد. نتایج نشان داد نمره مهارت، RMSE و شاخص اطمینان پذیری پس از اصلاح خطای مدل به شکل قابل توجهی بهبود می یابد. پس از اصلاح خطا، نمره مهارت مدل برای پیش بینی دمای بیشینه از ۱/۰- به ۸۵/۰ و برای دمای کمینه از ۳۸/۰ به ۷۲/۰ می رسد. به طور متوسط RMSE برای پیش بینی دمای بیشینه از ۶ به ۲ درجه وبرای دمای کمینه از ۵/۴ به ۳ درجه سلسیوس می رسد. پس از اصلاح خطای مدل، تغییرپذیری نمره مهارت پیش بینی ها کاهش یافته و با کاهش مقدار خطای پیش بینی ها، قابلیت اطمینان پذیری به پیش بینی های مدل به طور متوسط از ۶۰ درصد به ۸۵ درصد می رسد.

Keywords:

خطای طیفی , سری زمانی , قابلیت اطمینان , نمره مهارت , یادگیری ماشین