استفاده از جفت‌سازی کاپیولای همادی برای پس‌پردازش پیش‌بینی همادی چند متغیره

Abstract

پیش‌بینی‌های همادی اغلب دارای اریبی و خطاهای پراکندگی هستند و بنابراین باید از نظر آماری پس‌پردازش شوند. با این‌حال، رویکردهای پس‌پردازش همادی تک‌متغیره مانند EMOS و BMA برای یک کمیت، در یک مکان واحد و فقط برای یک افق پیش‌بینی معین اعمال می‌شوند و در نتیجه ساختارهای وابستگی مکانی، زمان و بین متغیری را در نظر نمی‌گیرند. برای لحاظ‌کردن این وابستگی‌ها، روش‌های پس‌پردازش همادی چند متغیره مانند روش جفت‌سازی کاپیولای همادی (ECC) پیشنهاد شده‌اند. روش ECC، شامل دو مرحله است؛ در مرحله اول پس‌پردازش همادی تک‌متغیره در همه ابعاد به‌صورت مستقل انجام می‌شود و در مرحله دوم، وابستگی‌های چندمتغیره با مرتب‌کردن مقادیر نمونه‌های تک‌متغیره با توجه به ساختار ترتیب رتبه‌بندی یک الگوی وابستگی بازیابی می‌شود. در مقاله حاضر، عملکرد روش ECC با روش EMOS مقایسه شده است. برای این منظور، از سامانه همادی 51 عضوی ECMWF در بازه زمانی 1 ژانویه 2018 تا 31 دسامبر 2023 برای لحاظ‌کردن وابستگی مکانی پیش‌بینی دمای 48‌ساعته دمای دو متری در دو ایستگاه مهرآباد و کرج استفاده شده است. نتایج نشان دادند که هر دو روش پس‌پردازش، پیش‌بینی خام را تا 81% بهبود دادند اما با اعمال روش ECC، علاوه بر این که اریبی پیش‌بینی همادی خام از بین رفت، بلکه ساختار وابستگی بین اعضای همادی نیز حفظ شد. در حالی که در روش EMOS، فقط اریبی‌ها از بین رفتند بدون این‌که وابستگی بین اعضای همادی در نظر گرفته شود.