عنوان مقاله :
پيش بيني احتمالاتي دماهاي كمينه و بيشينه روزانه براي ايران با استفاده از سامانه همادي دو عضوي
عنوان به زبان ديگر :
Probabilistic forecasting of diurnal maximum and minimum temperature using a 2-member ensemble system over Iran
پديد آورندگان :
آزادي، مجيد پژوهشگاه هواشناسي و علوم جو , محمدي، عاطفه پژوهشگاه هواشناسي و علوم جو
كليدواژه :
پيش بيني عددي وضع هوا , دماي كمينه و بيشينه , سامانه همادي , پيش بيني احتمالاتي , تابع چگالي احتمال
چكيده فارسي :
براي كمّي كردن عدم قطعيت در پيشبيني وضع هوا و صدور پيشبيني احتمالاتي دماي كمينه و بيشينه روزانه، از دو روش آماري موسوم به آماره برونداد مدل (EMOS) و مدل ميانگينگيري بيزي (BMA) براي برآورد تابع چگالي احتمال پيشبيني استفاده شده است. سامانه همادي در تحقيق حاضر، دو عضوي است كه شامل پيشبينيهاي يك روزه تا پنج روزه دماي كمينه و بيشينه روزانه روي ايستگاههاي همديد مراكز استانهاي كشور در بازه زماني از 10 نوامبر 2017 تا 31 مه 2018 با دو پيكربندي مختلف مدل WRF است. نتايج بدست آمده از اين روشها، خطاي بسيار كمتري نسبت به خروجي منفرد خام مدل دارد به طوري كه متوسط ميزان بهبود جذر ميانگين مجذور خطاي پيشبيني قطعي دماي بيشينه وكمينه EMOS نسبت به ميانگين پيشبيني خام دماي بيشينه وكمينه به ترتيب 37% و 7% است. به طور كلي پيشبيني خام دماي كمينه، خطاي كمتري نسبت به دماي بيشينه دارد اما بعد از پسپردازش بهبود چنداني ندارد. ميانگين بدست آمده در توابع چگالي احتمال در مقايسه با ميانگين اعضاي سامانه همادي، داراي و ميانگين قدرمطلق خطاي كمتري است.
چكيده لاتين :
To quantify the uncertainty exists in the weather forecasting, and producing the probabilistic forecasting of diurnal maximum and minimum temperature, two important methods named Ensemble Model Output Statistics (EMOS) and Bayesian Model Averaging (BMA) are used to estimate the forecast probabilistic density function. In this study, the ensemble system has two members consisting of 1 to 5 ahead forecasting of diurnal maximum and minimum temperature over synoptic stations of Iran provinces from 10 November 2017 to 31 May 2018. These members are the outputs of the WRF model with two different physical configurations. Results show that the deterministic post-processed forecasts have improved the root mean squared error (RMSE) of deterministic raw forecast, 37% and 7% for mximum and minimum temperature, respectively. Generally, raw forecasts of minimum temperature have less error than maximum temperature, but they are not be improved considerably after post-processing.