شماره ركورد كنفرانس :
4731
عنوان مقاله :
پيش¬بيني احتمالاتي سرعت باد ده متري در استان تهران
عنوان به زبان ديگر :
Probability prediction of 10 meter wind speed in Tehran province
پديدآورندگان :
آزادي مجيد Azadi68@hotmail.com دانشيار، عضو هيأت علمي پژوهشكده هواشناسي , دهملايي مسعود masoud_dehmolaei@yahoo.com دانشجوي دكتري، دانشگاه هرمزگان , محمدي سيده عاطفه mohamadi.atefeh@yahoo.com پژوهشگر، پژوهشكده هواشناسي , صوفياني محمدرضا mrsoofyani@gmail.com پيش¬بين هواشناسي، اداره كل هواشناسي استان تهران
كليدواژه :
پيش‌بيني عددي وضع هوا , پيش¬بيني احتمالاتي , سامانه همادي , تابع چگالي احتمال , امتياز احتمال رتبه¬اي پيوسته , عدم قطعيت
عنوان كنفرانس :
هجدهمين كنگره ملي ژئوفيزيك ايران
چكيده فارسي :
براي كمّي كردن عدم قطعيت در پيش‌بيني و صدور پيش‌بيني احتمالاتي، تابع چگالي احتمال لاگ نرمال براي پيش‌بيني احتمالي سرعت باد ده¬متري برآورد شده است. ميانگين تابع چگالي احتمال لاگ نرمال، ميانگين وزني اعضاي سامانه همادي است كه اريبي خطاي آن‌ها حذف شده و واريانس آن يك تركيب خطي از واريانس اعضاي همادي است. با كمينه كردن امتياز احتمالي رتبه‌اي پيوسته (CRPS) كه سنجه‌اي براي راستي آزمايي پيش‌بيني احتمالي است، ميانگين و واريانس تابع توزيع پيش‌بيني، برآورد شده‌اند. از الگوريتم BFGS براي كمينه كردن CRPS در دوره آموزش استفاده شده است. نتايج بدست آمده، خطاي بسيار كمتري نسبت به خروجي منفرد خام مدل دارد به طوري كه ميانگين بدست آمده در تابع چگالي احتمال در مقايسه با ميانگين اعضاي سامانه همادي، داراي ميانگين مجذور خطا و ميانگين قدرمطلق خطاي كمتري است؛ همچنين مقدار CRPS آن حدود 7/1 و تابع چگالي احتمال بدست آمده نسبت به سامانه همادي كاليبره‌تر است.
چكيده لاتين :
The most popular way to account for the uncertainty of ether forecasting is through the use of an ensemble prediction system (EPS). Ensemble predictions generally require some form of statistical post-processing to remove biases and provide reliable probabilistic forecasts. In this study, the EMOS technique is used to calibrate the raw outputs of an ensemble for wind speed at 12 meteorological stations over Tehran. A log normal distribution is fitted that the mean of the Gaussian predictive PDF is a bias-corrected weighted average of the ensemble member forecasts; and the variance is a linear function of the ensemble spread. The coefficients of the first two moments are estimated by minimizing the continuous ranked probability score (CRPS) value averaged over a training period. In this research, for minimization of the CRPS function, we use an iterative algorithm named as Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm. When compared to the mean of deterministic ensemble members, the root mean squared error and mean absolute error of the bias-corrected ensemble is decreased considerably.
