مقایسه روش های پس پردازش برونداد مدل WRF برای دمای روزانه در ایستگاه مهرآباد تهران

پیش بینی دمای هوا و شرایط جوی با توجه به تاثیر آن بر روی زندگی روز مره انسان همیشه بسیار مهم بوده و یکی از مباحث چالش برانگیز می باشد.در این راستا استفاده از مدل های پیش بینی عددی وضع هوا برای پیش بینی دمای سطح زمین توجه زیادی را به خود جلب کرده است. معمولا این مدل ها دارای خطاهای سامان مند است که عمده آن به خاطر پایین بودن میزان تفکیک توپوگرافی و نیز نقص در پارامترسازی فرایندهای فیزیکی متفاوت در مدل است. امروزه روش های مختلفی وجود دارد که با ترکیب پیش بینی های مدل و مشاهدات، خطاهای مدل را تا حد بسیار خوبی کاهش می دهد .در این تحقیق ، سه روش تبدیل فوریه، شبکه عصبی و پالایه کالمن به منظور پس پردازش دمای روزانه سطح زمین برای ایستگاه تهران و مدل WRF به مدت 4 ماه طراحی شده است. بررسی های آماری نشان می دهد که خطای مدل با توجه به فصل در ایستگاه متفاوت است و پیش بینی مدل در همه روزها به صورت کم برآورد یا بیش برآورد می باشد به این معنا که در همه روزها خطا مثبت یا در همه روزها منفی است؛ درحالی که پس از اعمال پالایه کالمن، این برآورد برای بعضی روزها مثبت و بعضی روزها منفی می شود، این مطلب در کاهش قابل ملاحظه خطای میانگین که اریبی را اندازه گیری می کند، مشهود است . جذر میانگین مربع خطاها، پاشندگی خطا را اندازه گیری می کند و هرچند کاهش آن پس از اعمال پالایه قابل توجه است ولی با صفر فاصله دارد و بیانگر وجود برآورد اضافی و نقصانی است . در میان روش ها، پالایه کالمن توانست پیش بینی مدل را تا حد قابل قبولی اصلاح کند و مقدار خطا را تا حد فراوانی به اندازه 90% کاهش دهد.واژه های کلیدی: پس پردازش، دمای روزانه، مدل WRF، شبکه عصبی، تبدیل فوریه،پالایه کالمن