فهرست نشریات علمی دسترسی آزاد ایران

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 پیش‌بینی دمای سطح زمین توجه زیادی را به خود جلب کرده است. معمولا این مدل‌ها 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 روش‌های مختلفی وجود دارد که با ترکیب پیش‌بینی‌های مدل و مشاهدات، خطاهای مدل را تا حد بسیار خوبی کاهش می‌دهد .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. بررسی‌های آماری نشان می‌دهد که خطای مدل با توجه به فصل در ایستگاه متفاوت است و پیش‌بینی 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؛ درحالی‌که پس از اعمال پالایه کالمن، این برآورد برای بعضی روزها مثبت و بعضی روزها منفی می‌شود، این مطلب در کاهش قابل‌ملاحظه خطای میانگین که اریبی را اندازه‌گیری می‌کند، مشهود است . جذر میانگین مربع خطاها، پاشندگی خطا را اندازه‌گیری می‌کند و هرچند کاهش آن پس از اعمال پالایه قابل‌توجه است ولی با صفر فاصله دارد و بیانگر وجود برآورد اضافی و نقصانی است . در میان روش‌ها، پالایه کالمن توانست پیش‌بینی مدل را تا حد قابل قبولی اصلاح کند و مقدار خطا را تا حد فراوانی به اندازه 90% کاهش دهد.واژه‌های کلیدی: پس پردازش، دمای روزانه، مدل WRF، شبکه عصبی، تبدیل فوریه،پالایه کالمن