پس پردازش خروجي مدل WRF به روش ميانگين لغزان براي دما، دماي نقطه شبنم، دماي بيشينه و دماي كمينه، در ايستگاه هواشناسي فرودگاه رشت

Post processing of WRF model output by moving average method(MA) for temperature, dew point, maximum, and minimum temperature at the Meteorological Station of Rasht Airport

پيش بيني دقيق كميت هاي هواشناسي هميشه جزو چالش هاي مورد اهميت بوده است. خروجي هاي خام مدل هاي عددي هواشناسي(DMO) همواره شامل خطاهاي تصادفي و سيستماتيك هستند كه باعث كاهش دقت پيش بيني ها مي شود. با استفاده از روش هاي پس پردازش بر روي خروجي خام مدل ها مي توان خطاهاي سيستماتيك را كاهش داده و به بهبود دقت پيش بيني ها دست يافت. اين موضوع ثابت شده است كه با استفاده از پس پردازش آماري، مهارت پيش بيني هاي قطعي عمدتا از طريق كاهش خطاهاي سيستماتيك بهبود مي يابد. در واقع فرايند پس پردازش، با استفاده از روابط آماري بين خروجي مدل و مشاهدات در گذشته، خطاي سامانمند بين پيش بيني هاي مدل و مقادير مشاهداتي در آينده را بايد كاهش دهد. در اين مطالعه خروجي مدل WRF براي ايستگاه هواشناسي فرودگاه رشت در بازه زماني 8 ماه و براي كميت هاي دما، دماي نقطه شبنم، دماي بيشينه و دماي كمينه با روش ميانگين لغزان(MA) پس پردازش شد و مورد راستي آزمايي قرار گرفت. راستي آزمايي پيوسته در تمام موارد بهبود را نشان داد و مقدار بهبود بر اساس ME از 81 تا 110 درصد و بر اساس RSME از 4 تا 12 درصد است. با تعريف مقادير آستانه، در بيشتر مقادير راستي آزمايي گسسته نيز بهبود مشاهده شد.

Precise forecast of meteorological quantities has always been an important challenge. Direct model outputs (DMO) of Numerical weather prediction models always contain random and systematic errors that reduce the accuracy of predictions. By using post-processing methods on raw output, models can reduce the systematic errors and improve the accuracy of predictions. It has been proven that by using statistical post-processing methods, the skills of the forecasts are mainly improved by reducing systematic errors. In fact, post-processing process, should reduce the systematic error between model predictions and observational values in future by using the statistical relationships between the output of the model and the observations in the past. In this study, the output of the WRF model for the Meteorological Station of Rasht Airport in the period of 8 months for temperature, dew point temperature, maximum temperature and minimum temperature was applied post-processing by the moving average method (MA) and verified. Continuous value verification showed improvement in all quantities, Continuous verification showed improvement in all quantities, and the recovery rate is based on ME from 81% to 110% and based on RSME from 4% to 12%. By defining threshold values, improvements were also observed in most categorical verification values.