پیش بینی احتمالاتی سرعت باد ده متری در استان تهران
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانشجو/دانشگاه هرمزگان
2azadi68@hotmail.com
3پژوهشگر-پژوهشکده هواشناسی
4پیش بین هواشناسی
چکیده
برای کمّی کردن عدم قطعیت در پیش‌بینی و صدور پیش‌بینی احتمالاتی، تابع چگالی احتمال لاگ نرمال برای پیش‌بینی احتمالی سرعت باد ده‌متری برآورد شده است. میانگین تابع چگالی احتمال لاگ نرمال، میانگین وزنی اعضای سامانه همادی است که اریبی خطای آن‌ها حذف شده و واریانس آن یک ترکیب خطی از واریانس اعضای همادی است. با کمینه کردن امتیاز احتمالی رتبه‌ای پیوسته (CRPS) که سنجه‌ای برای راستی آزمایی پیش‌بینی احتمالی است، میانگین و واریانس تابع توزیع پیش‌بینی، برآورد شده‌اند. از الگوریتم BFGS برای کمینه کردن CRPS در دوره آموزش استفاده شده است. نتایج بدست آمده، خطای بسیار کمتری نسبت به خروجی منفرد خام مدل دارد به طوری که میانگین بدست آمده در تابع چگالی احتمال در مقایسه با میانگین اعضای سامانه همادی، دارای میانگین مجذور خطا و میانگین قدرمطلق خطای کمتری است؛ همچنین مقدار CRPS آن حدود 1/7 و تابع چگالی احتمال بدست آمده نسبت به سامانه همادی کالیبره‌تر است.
کلیدواژه ها
 
Title
Probability prediction of 10 meter wind speed in Tehran province
Authors
Masoud Dehmolaei, majid azadi, Seyedeh Atefeh Mohamadi, Mohammad Reza Soofyani
Abstract
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.
Keywords
numerical weather prediction, Probabilistic Prediction, ensemble system, probability density function, continuous ranked probability skill, Uncertainty