پس پردازش خروجی مدل WRF به روش کوکریجینگ، برای کمیت‌های متوسط روزانه سرعت باد و رطوبت نسبی بر روی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

استادیار، پژوهشگاه هواشناسی و علوم جو، تهران، ایران

چکیده

پیش‌بینی‌های متوسط روزانه سرعت باد و رطوبت نسبی در هر مکانی با دقت مناسب، در هواشناسی مهم است. خروجی مدل WRF با خطا همراه‌ست، ازاینرو نیاز به ارتقاء کیفیت پیش‌بینی‌های است. هدف این مطالعه تصحیح خطای پیش‌بینی‌های 24، 48 و 72 ساعته متوسط روزانه سرعت باد ده‌متری و رطوبت نسبی در نقاط شبکه بر روی ایران است. خطای مدل طی دوره آموزش 5 و 14 روزه، برای نقاطی از شبکه که دارای داده مشاهداتی هستند محاسبه شد. این خطاها در نواحی هم‌اقلیم، با استفاده از روش درون‌یابی کوکریجینگ، در سایر نقاط شبکه برآورد شد. بدین ترتیب پیش‌بینی خام مدل برای نقاط فاقد داده مشاهداتی حفظ، و تنها مقادیر برآورده شده خطا بر روی آنها اعمال می‌شود. دوره آماری 15 ماه، از 1/11/2019 الی 1/2/2021 برای 560 ایستگاه مشاهداتی کشور در نظر گرفته شد. نتایج نشان داد خطای برونداد خام مدل در ماه‌ها، مکان‌ها و نواحی اقلیمی مختلف، توزیع یکنواختی ندارد. به طور متوسط نمره مهارت مدل، برای پیش‌بینی رطوبت نسبی بیشتر از سرعت باد است. به طور کلی RMSE پیش‌بینی‌های سرعت باد و رطوبت نسبی برای کل کشور بعد از تصحیح، به ترتیب 13 و 18 درصد کاهش و نمره مهارت حداکثر تا 160 و 308 درصد افزایش می‌یابد. مدل، سرعت باد را در اکثر مناطق کشور کمتر از مقدار مشاهده شده، و رطوبت نسبی را بیشتر برآورد می‌کند. روش تصحیح خطای 14 روزه نسبت به روش 5 روزه چندان سبب بهبود نمره مهارت مدل نشد و می‌توان با روش 5 روزه با هزینه محاسباتی کمتر به دقتی مشابه رسید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Post Processing of WRF Model Output by Cokriging Method for Daily Average Wind Speed and Relative Humidity on Iran

نویسندگان [English]

  • Mojtaba Shokouhi
  • Ebrahim Asadi Oskouei
  • Mohammad Reza Mohammadpour Penchah
Assistant Professor, Atmospheric Sciences and Meteorological Research Center (ASMERC), Tehran, Iran
چکیده [English]

Weather forecasting and monitoring systems based on numerical weather forecasting models have been increasingly used to manage issues related to meteorology and agriculture. Using more accurate daily average wind speed (10m) and relative humidity forecasts can be helpful in this regard. But systematic and random errors in the model affect the accuracy of forecasts. In this study, the model errors during the 5 and 14 days training period in the same climate areas on the points of the network where the observations are available were calculated. Then the errors were generalized on all points of the network using the cokriging interpolation method. This, preserves the model forecasts for other points of the network and only error values are applied to them. To better evaluate the model, the spatial and temporal distribution of daily average wind speed (10m) and relative humidity forecast errors were also investigated in the country. Observed daily wind speed and relative humidity data from 560 meteorological stations for the period 1/11/2019 to 1/2/2021 were used to evaluate the WRF model. The WRF model is run daily at 12UTC, with a forecast time of 120 hours. And first 12 hours of each run is consider as the model spin-up and don’t use in errors calculation. In order to correct wind speed and relative humidity forecast errors for next three days (forecasts of 36, 60 and 84 hours), the forecasts for each day in the period of 11/1/ 2019 to 1/2/2021, was extracted from the model outputs. In order to evaluate the error correction method, the skill score index was used. The validation results of the error correction method showed that the absolute mean error value, correlation coefficient and RMSE improved after the error correction compared to results that were before the error correction, which showed that the error correction method can be used for other network points that do not contain observational data. In general after correction, the RMSE for wind speed and relative humidity forecasts will decrease by 13% and 18%, and the skill score will increase to a maximum of 160% and 308%, respectively. Value of correlation coefficient, after correcting the model error, has a significant increase compared to the raw model output. In general skill score for the raw wind speed and relative humidity forecast for more than 50% of the days was more than -0.5 and -0.3, but after correction increases to 0.2, 0.4 respectively. Without exception, all climatic regions after error correction have a higher skill score than before error correction, so that the model skill score for most climatic regions after error correction reaches above zero for more than 75% of the days. The results showed that error of the model in different months, places and climatic zones does not have a uniform distribution. In general, the model underestimates the wind speed and overestimates the relative humidity in most areas. In general, the lowest skill scores for relative humidity forecasts occur in the colder months, of November to February in most climatic zones. The 14-day error correction method did not improve the modeling skill score much compared to the 5-day error correction method, and they acted almost similarly. Knowing the spatial and temporal distribution of model forecast error can be helpful for researchers to have an overview of the areas (and months) where the model forecast error is high.

کلیدواژه‌ها [English]

  • : Climatic Zones
  • Cokriging
  • Interpolation
  • Skill Score
  • Systematic Error