استفاده از جفت سازی کاپیولای همادی برای پس پردازش پیش بینی همادی چند متغیره

پیش بینی های همادی اغلب دارای اریبی و خطاهای پراکندگی هستند و بنابراین باید از نظر آماری پس پردازش شوند. با این حال، رویکردهای پس پردازش همادی تک متغیره مانند EMOS و BMA برای یک کمیت، در یک مکان واحد و فقط برای یک افق پیش بینی معین اعمال می شوند و در نتیجه ساختارهای وابستگی مکانی، زمان و بین متغیری را در نظر نمی گیرند. برای لحاظ کردن این وابستگی ها، روش های پس پردازش همادی چند متغیره مانند روش جفت سازی کاپیولای همادی (ECC) پیشنهاد شده اند. روش ECC، شامل دو مرحله است؛ در مرحله اول پس پردازش همادی تک متغیره در همه ابعاد به صورت مستقل انجام می شود و در مرحله دوم، وابستگی های چندمتغیره با مرتب کردن مقادیر نمونه های تک متغیره با توجه به ساختار ترتیب رتبه بندی یک الگوی وابستگی بازیابی می شود. در مقاله حاضر، عملکرد روش ECC با روش EMOS مقایسه شده است. برای این منظور، از سامانه همادی ۵۱ عضوی ECMWF در بازه زمانی ۱ ژانویه ۲۰۱۸ تا ۳۱ دسامبر ۲۰۲۳ برای لحاظ کردن وابستگی مکانی پیش بینی دمای ۴۸ ساعته دمای دو متری در دو ایستگاه مهرآباد و کرج استفاده شده است. نتایج نشان دادند که هر دو روش پس پردازش، پیش بینی خام را تا ۸۱% بهبود دادند اما با اعمال روش ECC، علاوه بر این که اریبی پیش بینی همادی خام از بین رفت، بلکه ساختار وابستگی بین اعضای همادی نیز حفظ شد. در حالی که در روش EMOS، فقط اریبی ها از بین رفتند بدون این که وابستگی بین اعضای همادی در نظر گرفته شود.

کلیدواژه ها:

پس پردازش چند متغیره ، پیش بینی همادی ، کاپیولا