مجله علمی و ترویجی نیوار شماره 88-88 بهار و تابستان 498 )دو فصلنامه ) بررسی برونداد مدل WRF با 4 روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران 3 2 رسول قربانفالح مجید آزادی فروزان ارکیان 4- دانشجوی کارشناسی ارشد هواشناسی دانشگاه آزاد اسالمی تهران شمال تهران ایران 2- دانشیار عضو هیئت علمی پژوهشگاه هواشناسی و علوم جو تهران ایران 9- استادیار عضو هیئت علمی و مدیر گروه هواشناسی دانشگاه آزاد اسالمی تهران شمال تهران ایران چکیده در این تحقیق برونداد مدل میان مقیاسWRF با استفاده از چهار روش تصحیح چرخه پیشبینی روزانه پیشبینی تصحیحشده کمینه مربعات خطی پیشبینی با میانگین و واریانس تصحیح شده و میانگین سه روش قبلی پسپردازش شد. کمیت مورد مطالعه تندی باد 4 متری سطح زمین بر روی شمال و شمالغرب ایران میباشد. به این منظور مدل پیشبینی عددی وضع هوا WRF برای صدور پیشبینیهای 88 82 2 39 4 98 22 4 9 و 444 ساعته از اول نوامبر 244 لغایت سیام آوریل 242 با تفکیک افقی 4 کیلومتر اجرا شده است. با تغییر دوره آموزش و انجام آزمایشات بهترین طول دوره آموزش برای هر چهار روش انتخاب گردید. نتایج نشان میدهد در هر چهار روش میانگین خطا در همه ایستگاهها به میزان قابل توجهی کاهش یافته و مقدار آن صفر یا نزدیک صفر شده است که نشان دهنده حذف بخش سامانمند خطا از برونداد مدل WRF برای تندی باد ده متری است. به طور کلی روش پیشبینی تصحیحشده کمینه مربعات خطی )LLS( نسبت به سه روش دیگر در کاهش خطای سامانمند و تا حدودی خطای تصادفی مدل موثرتر بوده و بهبود پیشبینی برای ایستگاههای مختلف بین 23 تا 2 درصد متغیر است. در این روش میانگین خطای مطلق در حدود 93 درصد برای همه پیشبینیها در همه ایستگاههای مورد مطالعه کاهش داده شده است. همچنین در این روش بیشترین بهبود مربوط به ایستگاههای قزوین بلده و آالشت مازندران و الهیجان گیالن و کمترین بهبود مربوط به ایستگاههای اردبیل و نیر از استان اردبیل و خدابنده زنجان میباشد که به ترتیب 3 و 4 درصد میانگین خطای مطلق بهبود یافته است. کلمات کلیدی: پسپردازش مدل WRF تصحیح چرخه پیشبینی روزانه پیشبینی تصحیحشده کمینه مربعات خطی پیشبینی با میانگین و واریانس تصحیحشده - مقدمه مدلهای پیشبینی عددی وضع هوا بر پایستاری جرم تکانه و انرژی ترمودینامیکی استوارند. ایدهی اصلی این است که اگر حالت فعلی جو معلوم باشد میتوان با حل معادلههای حاکم بر دینامیک و فیزیک جو حالت آینده جو را پیشبینی کرد. با وجود اینکه دقت پیشبینی وضع هوا توسط مدلهای عددی در طی سالهای اخیر بهبود یافته است ولی این مدلها همچنان دارای خطا در برونداد خود به ویژه در پیشبینی پارامترهای سطح زمین نظیر دما و باد سطح زمین میباشند. مؤلفه سامانمند خطا بخش قابل توجهی از خطای کل را در بر دارد. مهمترین دلیل این امر وجود نقص در پارامتریسازیهای فیزیکی مورد استفاده در مدلهای عددی و تفکیک ضعیف توپوگرافی در مدل نسبت به شرایط واقعی است. لذا پسپردازش برونداد خام مدلهای مورد استفاده در پیشبینی عددی وضع فرآیند پیشبینیهای عملیاتی هوا از گامهای اصلی و ضروری میباشد. پسپردازش مورد استفاده میتوان به: مدل روش پیشیابی کامل 4 )PPM( 2 )MOS( میانگین لغزان MOS تجدیدشونده از جمله روشهای روش آماره برونداد 9 )UMOS( )MA( (BES( کوتاهمدت 8 ) DRL ( پاالیه کالمن روش روش بهترین برآورد کننده ساده 3 )KAL( روش تصحیح اریبی 2 )STB( روش تصحیح چرخه پیشبینی روزانه پیشبینی تصحیح شده کمینه مربعات خطی - Perfect prognosis Method 2- Model Output Statistics 3- Updateable MOS 4- Moving Average 5- Best Easy Systematic 6- Kalman Filter forecasts 7- Short term bias-correction forecasts 8- Diurnal cycle forecast correction
( بررسی برونداد مدل WRF با روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران ( 4 LLS ( پیشبینی با میانگین و واریانس تصحیح MAV 2 ( اشاره کرد. شده در ایران نیز مطالعاتی در مورد پسپردازش برونداد مدلهای پیشبینی عددی وضع هوا برای کمیتهایی مانند دما و بارش با استفاده از پاالیه کالمن صورت گرفته است. آزادی و همکاران با انجام پژوهشی در سال 4982 بر روی ایران نشان دادند برای روزهایی که خطای مدل زیاد یا متوسط بود پاالیه کالمن توانست پیشبینی مدل را تا حد قابل قبولی اصالح کند. همچنین آزادی و عربلی )4988( به مقایسه پیشبینیهای رسمی و پیشبینیهای مدل WRF )پس از پسپردازش( برای دمای بیشینه و کمینهی روزانه در ایستگاههای همدیدی مراکز استانها پرداختند. نتایج به دست آمده نشان داد که پیشبینیهای پاالییده بر پیشبینیهای رسمی برتری دارد و نیز لزوم استفاده از پسپردازش برونداد خام مدل را نشان داد. غیبی و همکاران نیز در سال 4983 پسپردازش پیشبینی مدل MM5 برای دمای 2 متری سطح زمین را با استفاده از شبکههای عصبی مصنوعی انجام دادهاند. همچنین مطالعاتی در خصوص پسپردازش برونداد مدل WRF برای باد سطح زمین با استفاده از پاالیهکالمن غیرخطی بر روی جنوبغرب ایران )خلیج بوشهر( توسط راستگو و همکاران در سال 498 انجام گرفته است. رسول قربان فالح و همکاران 9 شبکهبندی مدل شبکه آراکاوای -C میباشد. در این مدل از طرحوارههای انتگرالگیری مرتبه دوم و سوم زمانی رانگ-کوتا و طرحوارههای مرتبه دو تا شش برای فرارفت در دو راستای افقی و قائم استفاده میشود. این مدل از گامهای کوچک زمانی برای مدهای اکوستیک و امواج گرانشی استفاده میکند. 2-2- روشهای آماری مورد استفاده برای پسپردازش در این تحقیق چهار روش پسپردازشی برای بررسی دادههای خام تندی باد مدل استفاده و توانایی هر روش جهت بهبود پیشبینی مدل بررسی شد. هر روش برای دفعات و بردهای مختلف پیشبینی 9( 82 2 39 4 98 22 4 88 و 444 ساعته( اجرا شد. در ادامه بطور خالصه به توضیح هر یک از این روشها پراخته میشود. -2-2- پیشبینی اصالح شده کمینه مربعات خطی )LLS( دیدبانی اگر رابطه خطی بین تندیهای باد پیشبینی شده و شده وجود داشته باشد این رابطه میتواند برای اصالح پیشبینی DMO استفاده شود. پیشبینیهای اصالح شده کمینه مربعات خطی با استفاده از پنجره غلتان 22 روزه محاسبه شده است. برای هر ایستگاه تندیهای باد پیشبینی شده و متناظر دیدبانی شده در 22 روز قبل برای محاسبه شیب )m( و عرض از مبداء )c( استفاده شد. رابطهی زیر تندی باد تصحیح شده کمینه مربعات خطی را نشان میدهد. (LLS speed) = m (forecast speed ) + c ) 4( 2- مباحث نظری -2- مدلهای عددی پیشبینی وضع هوا WRF مدل سامانهای با قابلیتهای فراوان است که میتوان وضعیتهای مختلف جو را با استفاده از آن شبیه- نمود. سازی مدل مذکور قابل نصب بر روی سامانههای مختلف و رایانهای شامل خوشهی رایانه میباشد. محدودهی کاربرد آن بسیار وسیع است و گسترهی بین چندین متر تا هزاران کیلومتر را تحت پوشش قرار میدهد. مدل پیشرفتهی WRF یک مدل غیرهیدرواستاتیک هیدرواستاتیک( است. )با گزینه 2-2-2- اصالح چرخه پیشبینی روزانه )DRL( اگر میانگین خطای پیشبینی که حاصل میانگین کاسته تندی باد دیدبانی شده از تندی باد پیشبینی شده طی دوره آموزش به دست آمده را میباشد از پیشبینی خام روز جاری کم کنیم پیشبینی پسپردازش شده حاصل میشود که از رابطه 2 به دست میآید. DRL (HH) = FC (HH) err (HH) ) 2( 3-2-2- پیشبینی با میانگین و واریانس تصحیح شده (MAV) در این روش برای بهبود پیشبینی را آن به گونهای پردازش میکنیم که همان میانگین و انحراف معیار دادههای دیدبانی شده را داشته باشد. به بیان دیگر مجموعهای از 3- Arakawac 4- Runge Kutta - Linear least-square corrected forecast 2-Mean and variance corrected forecast
مجله علمی و ترویجی نیوار دادههای پیشبینی )fc( به گونهای اصالح شده است که همان میانگین )μ( و انحرافمعیار )σ( دادههای دیدبانی شده شماره 88-88 بهار و تابستان 498 )دو فصلنامه( fc را داشته باشد. در این روش ابتداء انحراف معیار )obs( تصحیح شد که از طریق رابطه 3 بدست میآید. ) 9( آنگاه میانگین اصالح میشود. ) ( اکنون همان میانگین و انحراف معیار obs را دارد. اگر میانگین و انحراف تندی معیار باد پیشبینی شده و دیدبانی شده در طول دوره آموزش محاسبه شود میتواند به عنوان برآوردی از مقادیر درست بکار رود و پیشبینی فعلی میتواند به مانند باال پیشبینی MAV را ایجاد نماید. 4-2-2- روش ترکیبی این روش ترکیبی از سه روش قبلی میباشد. بدین صورت که پیشبینی پسیردازش شده توسط سه روش قبلی را با هم جمع و میانگین آنها را به دست میآوریم. )( 3-2- سنجههای آماری مورد استفاده برای راستیآزمایی راستیآزمایی یک پیشبینی فرآیندی است که کیفیت پیشبینی را تعیین میکند. در این فرآیند پیشبینی با دیدبانی متناظر که واقعا اتفاق افتاده است خوب از برونداد مدل مقایسه میشود. یا با برخی برآوردهای برای ارزیابی و راستیآزمایی پیشبینیها از شاخصها و کمیتهای راستیآزمایی گوناگونی استفاده شده است. برخی از آنها عبارتند از: -3-2- میانگین خطا میانگین خطا نشاندهنده بخش سامانمند خطا است و با استفاده از رابطه زیر محاسبه میشود: )3( که در آن مقدار پیشبینی شده متغیر مورد نظر و مقدار دیدبانی شده )مشاهده شده( متناظر با آن است. 2 این کمیت که گاهی اریبی جمعی نیز نامیده میشود نمیتواند بزرگی و اندازهی خطاها را اندازهگیری کند همچنین نمیتواند رابطه و تناظر بین مقادیر پیشبینی و دیدبانی را مشخص کند. هر چند به نظر میرسد که بهترین )کاملترین( حالت مقدار میانگین خطای پیشبینی برابر صفر باشد اما واقعا این گونه نیست چه بسا مقادیر پیشبینی شده دارای خطای زیادی باشند. ولی تفاضل مقدار دیدبانی شده از آنها گاهی مثبت و گاهی منفی شود و در نتیجه مقدار میانگین خطای پیشبینی صفر یا نزدیک به صفر شود. 3 2-3-2- میانگین خطای مطلق میانگین خطای مطلق برای یک پیشبینی از رابطهی زیر محاسبه میشود: )2( که در آن N MAE F i O i N i مقدار پیشبینی شده متغیر مورد نظر و مقدار دیدبانی شده )مشاهده شده( متناظر با آن است. این شاخص نسبت به میانگین خطا برتری دارد. زیرا در مورد شاخص میانگین خطا گفته شد که این احتمال وجود دارد که مقادیر پیشبینی شده دارای خطای زیادی باشند ولی تفاضل مقدار دیدبانی شده از آنها گاهی مثبت و گاهی منفی شود و در نتیجه مقدار میانگین خطای پیشبینی صفر یا نزدیک به صفر شود ولی در اینجا با در نظر گرفتن قدر مطلق تفاضل مقادیر دیدبانی و پیشبینی این عیب برطرف شده و از صفر شدن میانگین خطای مطلق جلوگیری شده است. 4 3-3-2- جذر میانگین مربع خطاها مقدار عددی جذر میانگین مربع خطاها از رابطه زیر بدست میآید: )8( باید توجه کرد که RMSE در مقایسه با برای MAE خطاهای بزرگتر جریمه بیشتری قائل میشود چون در این شاخص مقادیر خطا به توان 2 رسانده میشود. به عبارت دیگر این کمیت به پیشبینیهای پرت حساس است. ن زی RMSE مانند MAE مقدار خطا را برحسب همان یکای F i O i mean error N N i ( F i O i ) F i O i کمیت مورد سنجش بیان میکند. 3- Mean Absolute Error 4- Root mean square error - Mean Error 2- Additive Bias
3 بررسی برونداد مدل WRF با روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران 4-3-2- امتیاز مهارتی میانگین خطای مطلق برای محاسبه امتیاز مهارتی میانگین خطای مطلق از رابطه زیر استفاده میشود: MAE MAEskill score MAE میانگین خطای مطلق قبل از PP DMO MAE DMO )8( که در آن پسپردازش و MAE PP میانگین خطای مطلق پس از پسپردازش میباشد. این شاخص اشاره به اطالعاتی درباره مقدار یا ارزش یک پیشبینی نسبت به یک پیشبینی جایگزین )مرجع( دارد. 3- منطقه مورد مطالعه و دادهها -3- منطقه مورد مطالعه رسول قربان فالح و همکاران منطقه مورد مطالعه از هشت استان با مساحتی بالغ بر 2289/ کیلومترمربع بین درجه و 9 دقیقه تا 3 درجه و 22 دقیقه شرقی و 9 درجه و 2 دقیقه تا 98 درجه و 3 دقیقه شمالی واقع شده است. این منطقه از شمال به کشور ترکمنستان دریای کاسپین )خزر( جمهوری آذربایجان جمهوری ارمنستان و قسمتی از ترکیه از جنوب به استانهای سمنان تهران البرز مرکزی همدان و کردستان از شرق به استان خراسانشمالی و از غرب به کشورهای ترکیه و عراق محدود میباشد )شکل 4(. شکل شماره : موقعیت جغرافیایی منطقه مورد مطالعه 2-3- دادهها برای پسپردازش و ارزیابی پیشبینیها از دادههای باد روزانه ایستگاههای همدیدی در منطقه شمال و شمالغرب ایران شامل استانهای گلستان مازندران گیالن قزوین زنجان اردبیل آذربایجانشرقی و آذربایجانغربی در یک بازهی زمانی شش ماهه از اول نوامبر 244 لغایت سیام آوریل 242 استفاده شده است. تعداد ایستگاههای سینوپتیک اصلی و سینوپتیک تکمیلی موجود در منطقه 88 ایستگاه میباشد که در این پژوهش از دادههای 8 ایستگاه استفاده شده است. از آنجا که دادههای دیدبانی دربرخی از روزها طی این شش ماه برای 9 ایستگاه دیگر دارای نقص بوده است دادههای آن 9 ایستگاه حذف شد. بنابراین به طور ک یل دادههای دیدبانی و پیشبینی استفاده شده هر برای ایستگاه حدود 429-482 روز بوده است. پس از مرتب کردن پیشبینیها و دیدبانیهای متناظر با آن روزهایی که هر یک از دادههای پیشبینی یا دیدبانی موجود نبوده حذف شده است. به همین دلیل همانگونه که ذکر گردید تعداد روزهای شامل داده کمتر از شش ماه شده است. دادههای پیشبینی و دیدبانی به دو دوره تقسیم شد که دورهی اول که روز میباشد )از اول دسامبر 44 تا 244 نوامبر برای 244( آموزش و مابقی روزها برای آزمون روش و ارزیابی مورد استفاده قرار گرفته است. اجرای مدلها به صورت روزانه ساعت از 42 UTC )4:9 به وقت محلی( بوده و در هر اجرا پیشبینی تا 42 - Mean Absolute Error Skill Score
MAE (ms-) MAE (ms-) MAE (ms-) مجله علمی و ترویجی نیوار ساعت آینده تولید شده است. با توجه به اینکه تعداد ایستگاههای سینوپتیک تکمیلی بیشتر از ایستگاههای سینوپتیک اصلی بود و در این ایستگاهها فقط از ساعت شماره 88-88 بهار و تابستان 498 )دو فصلنامه( 2 9 UTC تا 4 UTC دیدبانی انجام میشود در نتیجه برد پیشبینی به 4 برد 88 82 2 39 4 98 22 4 9 و 444 ساعته تقسیم دادهه یا شد. دیدبانی ساعتهای 9 و 4 گرینویچ جمعآوری شد. متناظر نیز در 4- بحث و نتایج -4- تعین دوره آموزش مناسب به منظور برآورد بهترین طول دوره آموزش برای هر کدام از روشهای مورد استفاده در پسپردازش آزمایشهایی با تغییر طول دوره آموزشی از 2 تا روز انجام شد. شکلهای 2 تا میانگین مطلق خطا را برای تعیین دوره آموزشی برای 9 روش پسپردازشی نشان میدهد. 3.450 3.250 3.050 2.850 2.650 2.450 2.250 2.050.850.650 2 4 6 8 0 2 4 6 8 20 22 24 26 28 30 32 34 36 38 40 روز شکل شماره 2: میانگین خطای مطلق برحسب متر بر ثانیه برای تعیین دوره آموزش در روش.LLS 2.250 2.200 2.50 2.00 2.050 2.000.950 روز 2 4 6 8 0 2 4 6 8 20 22 24 26 28 30 32 34 36 38 40 شکل شماره 3: میانگین خطای مطلق برحسب متر بر ثانیه برای تعیین دوره آموزش در روش.DRL 5.50 4.650 4.50 3.650 3.50 2.650 2.50 2 4 6 8 0 2 4 6 8 20 22 24 26 28 30 32 34 36 38 40 روز شکل شماره 4: میانگین خطای مطلق برحسب متر بر ثانیه برای تعیین دوره آموزش در روش MAV
MAE Skill Score % MAE (ms-) بررسی برونداد مدل WRF با روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران رسول قربان فالح و همکاران 8 3.50 3.00 2.50 2.00.50 2.47 2.82 2.55 2.94 2.60 2.98 2.67 3.08 2.79 3.08 پیش بینی خام DRL LLS.00 MAV 0.50 AVG شکل شماره 5: میانگین خطای مطلق برای برونداد مستقیم و پسپردازش شده مدل. 0.00 03 5 27 39 5 63 75 87 99 سنین پیش بینی همانگونه که در شکل مشاهده میشود همه روشهای پسپردازشی توانستهاند میانگین خطای مطلق را برای تندی باد ده متری در همه بردهای پیشبینی کاهش دهند اما روش پیشبینی اصالحشده کمینه مربعات خطی )LLS( نتایج بهتری را نسبت به سه روش دیگر نشان میدهد. طبق نتایج به دست آمده بیشترین کاهش میانگین خطای مطلق برای پیشبینی 4 ساعته در روش پیشبینی اصالحشده کمینه مربعات خطی میباشد که 4/33 متر بر ثانیه است و کمترین کاهش میانگین خطای مطلق در این روش برای پیشبینی 88 ساعته با 4/88 متر بر ثانیه میباشد. 45 40 35 30 25 20 5 0 5 0-5 25 9 4 38 34 30 9 27 9 7 5 35 32 26 27 87 5 40 3433 28 87 4 34 34 30 9 9 4 3433 03 5 27 39 5 63 75 87 99-3 سنین پیش بینی 24 4 26 7 25 DRL LLS MAV AVG شکل شماره 6: میانگین درصد امتیاز مهارتی با چهار روش پسپردازشی MAV LLS DRL و AVG برای کلیه سنین پیشبینی.
مجله علمی و ترویجی نیوار شکل 3 درصد امتیاز مهارتی چهار روش پسپردازش اصالح چرخه پیشبینی روزانه پیش بینی اصالحشده کمینه مربعات خطی پیشبینی با میانگین و انحراف معیار تصحیح شده و میانگین سه روش قبلی به تفکیک بردهای مختلف پیشبینی را نشان میدهد. روش پیشبینی اصالحشده همانطور که مشاهده میشود کمینه مربعات خطی به طور میانگین با 9932 درصد بیشترین بهبود را برای تمامی بردهای پیشبینی دارد و روش اصالح چرخه پیشبینی روزانه میانگین سه روش و پیشبینی با میانگین و انحراف شماره 88-88 بهار و تابستان 498 )دو فصلنامه( معیار تصحیح شده به ترتیب با میانگین 2/3 23/ و 49/8 درصد پیشبینی خام مدل را برای تندی باد ده متری بهبود دادند. البته در روش پیشبینی با میانگین و انحرافمعیار تصحیح 8 شده در پیشبینی 9 ساعته نه تنها بهبودی حاصل نشد بلکه به میزان 9 درصد به خطای پیشبینی اضافه گردید. کمینه طبق نتایج به دست آمده در روش پیشبینی اصالحشده مربعات خطی بیشترین بهبود با 4 درصد در پیشبینیهای 82 و 444 ساعته و کمترین بهبود با 2 درصد در پیشبینی 9 ساعته رخ داده است. همچنین بهترین بهبود به ترتیب برای سه روش اصالح چرخه پیشبینی روزانه میانگین سه روش و پیشبینی با میانگین و انحراف معیار تصحیح شده 9 9 و 23 درصد بوده که در پیشبینیهای 82 98 و 98 ساعته رخ داده است. کمترین بهبود نیز به ترتیب با 4 48 و 9- درصد برای پیشبینیهای 9 2 و 9 ساعته رخ داده است. 4 2 0 8 6 4 2 0 4.600.570 0.054 0.70 0.040 8.060 7.552 9.400 6.039 8.050 پیش بینی خام DRL LLS MAV AVG خطای سامانمند خطای تصادفی شکل شماره 7: میانگین خطای سامانمند و تصادفی مدل جهت باد ده متری قبل و بعد از پسپردازش به روش MAV LLS DRL و AVG برای کلیه پیشبینیها. همانگونه که 2 در شکل مشاهده میشود تمامی روشهای پسپردازشی مورد استفاده در این تحقیق برای کلیه بردهای پیشبینی خطای سامانمند برونداد مدل WRF را برای تندی باد ده متری کاهش دادهاند به طوریکه روش پیشبینی اصالحشده کمینه مربعات خطی با درصد 88/8 کاهش خطای سامانمند بهترین بهبود را در کاهش این خطا داشته است. روش اصالح چرخه پیشبینی روزانه با 88/8 درصد روش میانگین سه روش با 8/ درصد و روش پیشبینی با میانگین و انحراف معیار تصحیح شده با 2 درصد به ترتیب در جایگاه بعدی قرار دارند. البته روش پیشبینی اصالح مربعات خطی کمینه شده عالوه بر کاهش خطای سامانمند خطای تصادفی را نیز به میزان 2/ درصد کاهش داده است. همچنین میزان کاهش خطای تصادفی برای روش اصالح چرخه پیشبینی روزانه 3/9 درصد بوده است. روشهای میانگین سه روش و روش پیشبینی با میانگین و انحراف معیار تصحیح شده نه تنها
3 بررسی برونداد مدل WRF با روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران باعث کاهش خطای تصادفی بطور میانگین برای کلیه بردهای پیشبینی نشدهاند بلکه باعث افزایش این خطا شدهاند به طوریکه روش میانگین سه روش پیشبینی با میانگین و انحراف /9 درصد و روش معیار تصحیح شده درصد میزان خطای تصادفی را افزایش دادهاند. 43/8 2-4- نتیجهگیری در این تحقیق تندی باد ده متری سطح زمین برای شمال و شمالغرب ایران با برونداد مدل WRF در برد پیشبینی 9 88 82 2 39 4 98 22 4 و 444 ساعته بررسی شد. جهت پسپردازش از روشهای آماری اصالح چرخه پیشبینی روزانه پیشبینی اصالحشده کمینه مربعات خطی پیشبینی با میانگین و انحراف معیار تصحیح شده و میانگین سه روش قبلی استفاده گردید. سنجههای آماری میانگین خطا میانگین خطای مطلق و جذر میانگین مربع خطاها و امتیاز مهارتی میانگین خطای برای مطلق راستیآزمایی روشهای پسپردازشی مورد استفاده و نتایج حاصل مورد تحلیل و بررسی قرار گرفت. نتایج این تحقیق نشان میدهد که روش پیشبینی اصالح شده کمینه مربعات خطی نسبت به سه روش دیگر میانگین خطای مطلق برونداد مدل WRF را برای تندی باد ده متری منطقه شمال و شمالغرب ایران بیشتر و داده کاهش روشهای دیگر بهبود پیشبینی کمتری نسبت به این روش داشته است به طوریکه باعث کاهش 93 درصدی میانگین خطای مطلق شده است. بیشترین کاهش میانگین خطای مطلق برای پیشبینی 82 ساعته با ساعته با درصد /4 و کمترین کاهش برای پیشبینی 9 22/2 درصد بهبود میباشد. روش پیشبینی اصالحشده کمینه مربعات خطی در پیشبینیهای 82 و 444 رسول قربان فالح و همکاران ساعته با امتیاز مهارتی 4 درصد و در پیشبینی 9 ساعته با امتیاز مهارتی 2 درصد به ترتیب بیشترین و کمترین بهبود را برای تندی باد ده متری سطح زمین در ایستگاههای مورد مطالعه نشان میدهد. مطلق برای کلیه متوسط امتیاز مهارتی میانگین خطای بردهای پیشبینی با روش پیشبینی اصالحشده کمینه مربعات خطی 99/2 درصد میباشد. میزان متوسط کاهش خطای سامانمند روش پیشبینی اصالح شده کمینه مربعات خطی برای کلیه بازههای پیشبینی 88/8 درصد و میزان کاهش خطای تصادفی این روش نیز 2/ درصد میباشد. با بررسی یکایک ایستگاهها مشاهده شده است که با استفاده از روش پیشبینی اصالحشده کمینه مربعات خطی ایستگاههای الهیجان آالشت و بلده مازندران و قزوین با 3 درصد بهبود پیشبینی بیشترین بهبود و ایستگاههای اردبیل و نیر از استان اردبیل و خدابنده زنجان با 4 پیشبینی کمترین بهبود را داشتهاند )شکل 8(. درصد بهبود یکی از دالیل اصلی وجود خطای سامانمند در برونداد مدل برای کمی تهای سطح زمین شامل تندی باد اختالف در ناهمواری و کاربری اراضی مدل و واقعیت است. بنابراین بطور کلی انتظار میرود که خطای سامانمند در ایستگاههای واقع در مناطق با ناهمواری خوشرفتارتر دارای خطای سامانمند کمتری باشد. از طرفی در ایستگاههای واقع در مناطق با ناهمواری پیچیده )مثل ایستگاههای خدابنده نیر و اردبیل( تندی باد بسیار متغیر است و عالوه بر سامانههای همدیدی عوامل کوچک مقیاس محلی نیز به شدت در جهت و تندی باد تأثیر میگذارد. بنابراین انتظار میرود در نهایت خطای مدل در این ایستگاهها بیشتر از دیگر نقاط باشد.
34 مجله علمی و ترویجی نیوار شماره 88-88 بهار و تابستان 498 )دو فصلنامه( با بهبود پیشبینی 56 درصد با بهبود پیشبینی درصد شکل شماره 8: ایستگاههای دارای کمینه و بیشینه بهبود پیشبینی. منابع 4- آزادی م. س. جعفری ا. میرزایی پ. عربلی 498 پسپردازش برونداد مدل میان مقیاس MM5 برای دمای بیشینه و کمینه با استفاده از فیلتر کالمن مجله فیزیک زمین و فضا 4.34- -2 آزادی م. س. جعفری ز. کالته سیفری 4988 ارزیابی عملکرد مدل WRF در ایران برای پیشبینی بارش با استفاده از طرحوارههای فیزیکی مختلف: مطالعه موردی دوازدهمین کنفرانس دینامیک شارهها دانشگاه صنعتی نوشیروانی بابل ایران. -9 آزادی م. پ. عربلی 4988 مقایسه پیشبینیهای رسمی و پیشبینیهای مدل WRF برای دمای بیشینه و کمینه روزانه در ایستگاههای همدیدی مراکز استانها هشتمین همایش پیشبینی عددی وضع هوا تهران ایران. - اداره کل هواشناسی استان آذربایجان شرقی دادههای دیدبانی )SC DATA( همدیدی استان آذربایجان شرقی. اداره - دیدبانی روزانه ایستگاههای هواشناسی کل هواشناسی استان آذربایجان غربی دادههای )SC DATA( همدیدی استان آذربایجان غربی. روزانه ایستگاههای هواشناسی 3- اداره کل هواشناسی استان اردبیل دادههای دیدبانی ( SC )DATA اردبیل. روزانه ایستگاههای هواشناسی همدیدی استان 2- اداره کل هواشناسی استان زنجان دادههای دیدبانی ( SC )DATA زنجان. روزانه ایستگاههای هواشناسی همدیدی استان 8- اداره کل هواشناسی استان قزوین دادههای دیدبانی ( SC )DATA قزوین. اداره 8- روزانه ایستگاههای هواشناسی همدیدی استان کل هواشناسی استان گلستان دادههای دیدبانی DATA( )SC روزانه ایستگاههای هواشناسی همدیدی استان گلستان. اداره 4- کل هواشناسی استان گیالن دادههای دیدبانی DATA( )SC روزانه ایستگاههای هواشناسی همدیدی استان گیالن. 44- اداره کل هواشناسی استان مازندران دادههای دیدبانی DATA( )SC روزانه ایستگاههای هواشناسی همدیدی استان مازندران. 42- راستگو ز. م.آزادی س.حجام 498 پسپردازش برونداد مدل WRF برای تندی باد بر روی خلیج بوشهر با استفاده از روش پاالیهکالمن غیرخطی.
بررسی برونداد مدل WRF با روش پسپردازش آماری برای تندی باد ده متری بر روی شمال و شمالغرب ایران غیبی ا م.آزادی م.جمشیدی ر.رضوانی رسول قربان فالح و همکاران 23- Marzban, C., Sadgath S., and Kalnay E., 2005, MOS, Perfect prog and Reanalysis, Mon. Weat. Rev., vol. 34, No. 2, 657-663. 24- Ross, G., 989, Model output statistics using an updatable scheme, proc. th Conf. on probability and Statistics in Atmospheric, Moneterey, CA, Amer, Meteor. Soc., 93-97. 25- Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, W. Wang, and J. G. Powers, 2006, A description of the Advanced Research WRF version 2. NCAR Tech. Note NCAR/ TN-468 STR, 88 pp. 26- Stensrud, D. J., and J. A. Skindlov, 996, Gridpoint predictions of high temperature from a mesoscale model. Wea. Forecasting,, 03 0. 27- Stensrud, D. J., and Yussouf, N., 2003, Short-range ensemble predictions of 2-m temperature and dewpoint temperature over New England. Mon. Wea. Rev., 3, 250 2524. 28- Stensrud, D. J., and Yussouf, N., 2005, Bias-corrected short-range ensemble forecasts of near surface variables. Meteor. Appl., 2, 27 230. 29- Sweeney, C., and Lynch, P., 20, Adaptive post-processing of short-term wind forecasts for energy applications. Wind Energy 4(3): 37 325, DOI: 0.002/we.420. 30- Sweeney, C., and Lynch, P., 20, Reducing errors of wind speed forecasts by an optimal combination of post-processing methods. Meteorol. Appl. 20: 32 40 (203), DOI: 0.002/met.294 3- Wilks, D. S., 203, Statistical Methods in the Atmospheric Sciences. San Diego, London: Academic Press. 32- Woodcock, F., and C. Engel, 2005, Operational consensus forecasts. Wea. Forecasting, 20, 0. 4983 32-49 پسپردازش پیشبینیهای مدل MM5 برای دمای دومتری سطح زمین با استفاده از شبکههای عصبی مصنوعی هفتمین همایش پیشبینی عددی وضع هوا سازمان هواشناسی کشور. 4- Eckel, F. A., and C. F. Mass, 2005, Aspects of effective mesoscale, short-range ensemble forecasting. Wea. Forecasting, 20, 328 350 5- Galanis, G., Louka, P., Katsafados, P., Kallos, G., Pytharoulis, I., 2006, Applications of Kalman filter based on non-linear functions to numerical weather predictions. Ann. Geophys.24, 245-2460. 6- Gelb, A., 974, Applied Optimal Estimation, MIT Press, 374pp. 7- Glahn, H., and R. Lowry, 972, The use of model output statistics (MOS) in objective weather forecasting. J. Appl. Meteor.,, 203 2. 8- Joshua P. Hacker and Daran L. Rife, 2007, A Practical Approach to Sequential Estimation of Systematic Error on Near-Surface Mesoscale Grids. Wea. Forecasting, 22, 257 273. 9- Kalman,R.E., 960, A new approach to linear filtering and Prediction Problems, Trans. ASME, Ser.D.82, 34-45. 20- Kalman, R. E. and R.S.Bucy, 96, New result in linear filtering and prediction problems, Trans. ASME. Ser.D.83, 95-08. 2- Karl, T. R., M. E. Schlesinger, and W. C. Wang, 989, A method of relating general circulation model simulated climate to the observed local climate. Part I: Central tendencies and dispersion. Preprints, Sixth Conference on Applied Climatology, Amer. Meteor. Soc., 88 96. 22- Klein, W. H., B. M. Lewis, and I. Enger, 959, Objective prediction of five-day mean temperatures during winter. J. Atmos. Sci., 6, 672 682.