فهرست نشریات علمی دسترسی آزاد ایران

برونداد مدل‌های پیش‌بینی عددی وضع هوا دارای خطا است. جهت اصلاح پیش‌بینی‌های کوتاه‌مدت (24، 48 و 72 ساعته) دمای بیشینه و کمینه مدل WRF، از یک روش یادگیری ماشین به نام ماشین تعقیب‌کننده استفاده شد. در این روش با سری زمانی 300 روزه از خطای برونداد مدل و با به‌کارگیری روش کمترین‌مربعات طیفی شبه فوریه-سری زمانی، خطای پیش‌بینی‌های مدل WRF برآورد شد. خطای پیش‌بینی‌ها در دوره 01/11/2020 الی 05/03/2023 برای 560 ایستگاه هواشناسی برآورد شد. یکی از نقاط قوت این روش، استفاده از تنها یک متغیر برای کاهش خطای پیش‌بینی‌های است. عملکرد پیش‌بینی مدل WRF بسته به مکان و زمان متفاوت است، مثلاً نمره مهارت مدل برای دمای بیشینه در ماه سپتامبر نسبت به سایر ماه‌ها کمتر و در مناطق جنوب غربی زاگرس نسبت به سایر مناطق کمتر است، که بعد از اصلاح این وابستگی حذف، و پیش‌بینی در تمام مناطق و زمان‌ها عملکرد یکسانی دارد. نتایج نشان داد نمره مهارت، RMSE و شاخص اطمینان‌پذیری پس از اصلاح خطای مدل به شکل قابل‌توجهی بهبود می‌یابد. پس از اصلاح خطا، نمره مهارت مدل برای پیش‌بینی دمای بیشینه از 1/0- به 85/0 و برای دمای کمینه از 38/0 به 72/0 می‌رسد. به‌طور متوسط RMSE برای پیش‌بینی دمای بیشینه از 6 به 2 درجه وبرای دمای کمینه از 5/4 به 3 درجه سلسیوس می‌رسد. پس از اصلاح خطای مدل، تغییرپذیری نمره مهارت پیش‌بینی‌ها کاهش یافته و با کاهش مقدار خطای پیش‌بینی‌ها، قابلیت اطمینان‌پذیری به پیش‌بینی‌های مدل به‌طور متوسط از 60 درصد به 85 درصد می‌رسد.