بررسی کارایی روش های یادگیری ماشین در پس پردازش دمای سامانه همادی مدل WRF (مطالعه موردی: منطقه غرب ایران)

استفاده از مدل های همادی برای پیش بینی وضعیت جو یکی از روش های متداول در مراکز پیش بینی در جهان است که اغلب نتایجرضایت بخشی به همراه داشته اس ت همچنین استفاده از الگوریتم های یادگیری ماشین برای بالاتر بردن دقت مدل های هواشناسی یکیدیگر از روش هایی است که به تازگی به کار گرفته می شود. مدل استفاده شده در کار حاضر نمونه ای از یک سامانه پیش بینی عددی هماد یبا استفاده از مدل WRF ، ۳ طرحواره خرد فیزیک و ایجاد پریشیدگی در شرایط اولیه می باشد. این سامانه همادی متشکل از ۱۶ عضو میباشد، که یکی از این اعضا میانگین همادی است. در این پژوهش با استفاده از سامانه مذکور یک دمای ۷۲ ساعته در یک رویداد بارشی بهتاریخ ۲ آذر ۱۴۰۱ که بارش سنگین محسوب می شود، در منطقه غرب ایران مورد بررسی قرار گرفت. سپس برای بررسی تاثیر الگوریتم هایهوش مصنوعی بر روی خروجی مدل همادی روش های مختلفی بررسی شد که عبارتند از یادگیری عمیق، گرادیان بوستینگ و Ensembleیا میانیگن تمامی الگوریتم ها. برای ارزیابی و مقایسه از مقادیر RMSE استقاده شده است. داده های آموزشی در تمامی مدل ها به مدت ۸سال و مربوط به ۴۴ ایستگاه هواشناسی است. همچنین معیار مقایسه سنجه RMSE بوده است. نتایج نشان داد که در بین الگوریتم هایادگیری عمیق کارایی بهتری داشته است. اما این برتری مربوط به تمامی ایستگاه ها نبوده است.

کلیدواژه ها:

پیش بینی عددی ، همادی ، WRF ، پس پردازش ، یادگیری ماشین