پس ‌پردازش خروجي مدل WRF به روش ميانگين لغزان براي دما، دماي نقطه شبنم، دماي بيشينه و دماي كمينه، در ايستگاه هواشناسي فرودگاه رشت

Post processing of WRF model output by moving average method(MA) for temperature, dew point, maximum, and minimum temperature at the Meteorological Station of Rasht Airport

پيش­بيني دقيق كميت­هاي هواشناسي هميشه جزو چالش­هاي مورد اهميت بوده است. خروجي­هاي خام مدل­هاي عددي هواشناسي(DMO) همواره شامل خطاهاي تصادفي و سيستماتيك هستند كه باعث كاهش دقت پيش­بيني­ها مي­شود. با استفاده از روش­هاي پس­پردازش بر روي خروجي خام مدل­ها مي­توان خطاهاي سيستماتيك را كاهش داده و به بهبود دقت پيش­بيني­ها دست يافت. اين موضوع ثابت شده است كه با استفاده از پس­پردازش آماري، مهارت پيش بيني هاي قطعي عمدتا از طريق كاهش خطاهاي سيستماتيك بهبود مي يابد. در واقع فرايند پس­پردازش، با استفاده از روابط آماري بين خروجي مدل و مشاهدات در گذشته، خطاي سامانمند بين پيش­بيني­هاي مدل و مقادير مشاهداتي در آينده را بايد كاهش دهد. در اين مطالعه خروجي مدل WRF براي ايستگاه هواشناسي فرودگاه رشت در بازه زماني 8 ماه و براي كميت­هاي دما، دماي نقطه شبنم، دماي بيشينه و دماي كمينه با روش ميانگين لغزان(MA) پس­پردازش شد و مورد راستي­آزمايي قرار گرفت. راستي­آزمايي پيوسته در تمام موارد بهبود را نشان داد و مقدار بهبود بر اساس ME از 81 تا 110 درصد و بر اساس RSME از 4 تا 12 درصد است. با تعريف مقادير آستانه، در بيشتر مقادير راستي­آزمايي گسسته نيز بهبود مشاهده شد.

Precise forecasting of meteorological quantities has always been an important challenge. Direct model outputs (DMO) of numerical weather prediction models always contain random and systematic errors that reduce the accuracy of predictions. By using post-processing methods on raw output, the systematic errors in the models can be reduced and the accuracy of predictions can be improved. It has been proven that by using statistical post-processing methods, the skills of the predictions are improved mainly by reducing systematic errors. In fact, post-processing should be able to reduce the systematic errors between model predictions and observational values in the future by using the statistical relationships between the output of the model and the observations in the past. In this study, post-processing by the moving average method (MA) was applied to the outputs of the WRF model for the Rasht airport meteorological station over a period of 8 months for temperature, dew point temperature, maximum temperature and minimum temperature paramaters. The result of the post-processing was also verified. Continuous value verification showed improvement in all quantities. The improvement rate is from 81% to 110% based on ME and from 4% to 12% based on RSME. By defining threshold values, improvements were also observed in most categorical verification values.