بخشی از مقاله
چکیده
در پژوهش حاضر، پیشبینی پوشش ابر بهکمک مدل WRF، که یک سامانه پیشبینی وضع هوای عددی میانمقیاس است، مورد بررسی قرار گرفته است. بهمنظور راستآزمایی خروجیهای مدل WRF از کمیتهای راستآزمایی مانند کمیت اریبی، آهنگ برخورد و نسبت هشدارهای نادرست استفاده شدهاند. مدل برای یک دوره زمانی سه ماهه اجرا و با دادههای مشاهداتی راستآزمایی شده است. نتایج نشان میدهند، مدل هوای صاف را خوب پیشبینی میکند هرچند دارای فراپیشبینی است. زمانی که پوشش ابری کامل است مدل پیشبینی قابل قبولی دارد، ولی برای هوای نیمهابری خروجی مدل ضعیف بوده و فروپیشبینی دارد.
واژههای کلیدی: پیشبینی، پوشش ابری کل، مدل WRF، راست آزمایی، جدول توافقی، فراپیشبینی و فروپیشبینی.
1 مقدمه
از پدیدههای مهم در آسمان، ابرها هستند که همواره مورد توجه هواشناسان بودهاند. متقاضیان زیادی وجود دارند که خواهان پیشبینیهای ابر، بهویژه در بخش حمل و نقل هوایی هستند بهطوریکه استفاده از پیشبینی وضع هوا یک جزء کلیدی تفکیک ناپذیر از عملیات فرودگاهی میباشد. پارامترهای مختلف ابر را مانند دیگر کمیتهای جو میتوان توس دادههای ایستگاهی - مشاهداتی - و رسم نقشههای هوا و یا بهوسیلهی خروجی یک مدل پیشبینی عددی وضع هوا - NWP - پیشبینی کرد. خروجیهای مربوط به ابر یک مدل میتواند مقدار کل ابر، مقدار ابر دستهبندی شده بر اساس ارتفاع شامل مقدار ابر بالا، متوس و پایین را شامل شود. خطاهای پیشبینی ابر میتواند تاثیراتی گسترده در دقت و کیفیت دیگر خروجیهای مدل داشته باشد. مثلا بدیهی است که پیشبینی درست ابر بر پیشبینی بارش تأثیر میگذارد. برجستهترین این آثار، بر روی درجه حرارت میباشد. بنابراین در پیشبینی آب و هوا که تاثیر قابل توجهی در رفاه و آسایش انسان دارد، پیش بینی پوشش ابری مسئلهی مهمی است.
ارزیابی یا آزمودن مدل بخش اساسی فرآیند تحقیق است. در یک روش بنیادی، هر مدل یک ابزار پیشبینی بوده و در نتیجه آزمودن مدل بهطور کلی شامل آزمودن توانایی آن برای پیشبینی است - آکُف . - 1962 بنابراین راست آزمایی پیشبینیها بهدرستی بهعنوان نقش مهمی در مسائل مربوط به هواشناسی فرض میشود. میتر مایر - 2012 - با استفاده از رسم نمودار همزمان توزیعهای دادههای دیدبانی و پیشبینی مربوط به پارامتر مورد نظر ابر، اقدام به ارزیابی پیشبینی نمود. روشهای استاندار مختلف دیگر برای انجام راستآزمایی پارامترها مختلف ابر با دادههای مختلف دیدبانی انجام شده است. برای مثال روش دیگر استفاده از جدول توافقی چند دستهای میباشد. در ارزیابی پیشبینی ابرناکی مدل HIRLAM از این روش استفاده شده که مقدار پوشش ابر کل - - TCA را با دادههای مشاهداتی در سه دستهی بدون ابر، نیمهابری و ابری جا دادند. حاصل این تحقیق با وجود اینکه هر دو امتیازهای مهارتی نسبتا بالا بود و یک فراپیشبینی در دستهی نیمهابری داشتند ولی پیشبینی دسته سوم، ابری، نسبت به دیگر دستهها بهتر بیان شده بود - گزارش 2012-1، . - WWRP
2 روش تحقیق
در این پژوهش کارایی مدل WRF در پیشبینیهای کمی پوشش ابری کل در یک دستهبندی سهتایی و برای ده ایستگاه آذربایجان در استانهای آذربایجان شرقی و آذربایجان غربی در یک دوره سه ماهه 2013/03/21- 2013/06/23 - سه ماه فصل بهار - راست آزمایی میشود. ابتدا دادههای پیشبینی و دیدبانی که به صورت زمانی و مکانی تطابق داده شدهاند به سه دسته هوای صاف - دسته اول - ، هوای نیمه ابری - دسته دوم - و هوای ابری - دسته سوم - تقسیمبندی میشوتد و یک جدول توافقی 3×3 تشکیل میشود. سپس هر دسته به یک جدول توافقی2×2 تجزیه شده و بر حسب کمیتهای این جداول کمیتهای راستآزمایی محاسبه میشود - برای توضیح بیشتر به پیوست مراجعه نمایید - . لازم به ذکر است در جدول توافقی 3×3 دادههای پیشبینی برحسب درصد و دادههای دیدبانی بر حسب اکتا میباشند. دادههای دیدبانی پوشش ابر از ایستگاههای هواشناسی و به صورت 3ساعته استخراج گردیده و به همین دلیل دادههای پیشبینی نیز بهصورت 3ساعته تهیه شدهاند. در این پژوهش جهت راستآزمایی مدل از کمیتهای نردهای آهنگ برخورد، آهنگ هشدارهای نادرست، نسبت هشدارهای نادرست، امتیاز تهدید و اریبی استفاده گردیده است.
3 نتیجهگیری
کمیتهای راستآزمایی برای مجموع تمام ایستگاهها در سه سن پیشبینی کوچکتر از 24 ساعت، کوچکتر از 48 ساعت و بزرگتر از 24 ساعت و کوچکتر از 72 ساعت و بزرگتر از 48 ساعت محاسبه گردیده که نتایج آن در جدول 1 آورده شده است. کمیت اریبی - B - دسته اول نزدیک 1/5 و نشانگر یک فراپیشبینی مدل برای دسته اول است. کمیت B برای دسته دوم و سوم کمتر از یک میباشد، بنابراین یک فروپیشبینی در این دو دسته و بخصوص دسته دوم وجود دارد. کمیت آهنگ برخورد - H - دسته اول نزدیک 1، دسته دوم نزدیک صفر و دسته سوم نزدیک 0/4 است. کمیت نسبت هشدارهای نادرست - FAR - بین 0/4 تا 0/6 میباشد و در دستههای اول، سوم و دوم بهترتیب افزایش مییابد. کمیت آهنگ هشدارهای نادرست - F - برای دسته اول حدود 0/60، برای دسته دوم نزدیک صفر و برای دسته سوم نزدیک 0/1 میباشد. امتیاز تهدید در دسته اول حدود 0/50، دسته دوم 0/07 و دسته سوم نزدیک 0/30 میباشد. مقایسه سه برد پیشبینی نشان میدهد که در دسته اول کمیتهای F و FAR با گرایش منفی با افزایش برد پیشبینی کاهش یافته است.
همچنین فراپیشبینی نیز کاهش یافته که این باعث شده کمیت H و امتیاز تهدید - - TS که گرایش مثبت دارند نیز کاهش یابند. در دسته دوم با افزایش برد پیشبینی فرو پیشبینی اندکی کاهش یافته و کمیت FAR و F افزایش یافته همچنین کمیت H نیز افزایش مییابد. در دسته سوم با افزایش برد پیشبینی فروپیشبینی کمتر شده یعنی کمیت B به یک نزدیکتر میشود. همچنین کمیت H با گرایش مثبت با افزایش سن پیشبینی افزایش یافته است. کمیتهای F و FAR نیز با گرایش منفی افزایش یافتهاند. با توجه به نتایج بهدست آمده در جدول 1، با افزایش سن پیشبینی تغییر چندانی در کمیتهای مورد ارزیابی مشاهده نمیشود. کمیتهایی که به صورت کلی برای هر سه دسته محاسبه میشود در پایین جدول 2 آورده شده است. کمیت نسبت صحیح - PC - برای دو برد اول 0/57 است و در برد سوم اندکی کاهش یافته و به مقدار 0/55 رسیده است که ضعف این کمیت به دلیل ضعف مدل در پیش بینی دسته دوم و فراپیشبینی مدل در دسته اول است. امتیاز مهارتی پیرس - KSS - نزدیک 0/15 و هاید - HSS - نزدیک 0/2 است که با افزایش برد پیشبینی کاهش یافته است.
در یک نتیجه گیری کلی در هر برد پیشبینی مدل میتوان گفت از آنجایئکه در دسته اول کمیت H نزدیک 1 است مدل تقریبا قادر به پیشبینی تمامی موارد هوای صاف بوده و مورد از دست رفته بسیار اندکی دارد ولی به دلیل فراپیشبینی که دارد کمیت FAR آن نزدیک 0/5 است یعنی نیمی از پیشبینیهای آن نادرست است. در مورد هوای نیمه ابری، مدل یک فروپیشبینی شدید دارد بنابراین کمیت H نزدیک صفر است یعنی قادر به پیش بینی هوای نیمه ابری نیست. کمیت F برای این دسته نزدیک صفر است یعنی اگر هوا نیمه ابری نباشد مدل آن را نیمه ابری پیشبینی نمیکند. کمیت B برای هوای ابری نزدیک 1 است و تنها اندکی فروپیشبینی دارد. تقریبا نیمی از هواهای ابری توس مدل قابل پیشبینی - کمیت - H و نیمی از پیشبینیهای مدل در دسته ابری نادرست است - کمیت . - FAR کمیت F برای این دسته بسیار پایین است و میتوان نتیجه گرفت در صورتی که هوا ابری نباشد مدل خیلی کم آن را ابری پیشبینی میکند.
