تصحیح اریبی پیش بینی های گروهی بارش مدل های عددی جهانی با روش جنگل تصادفی

یکی از موارد مهم در کاربردهای عملیاتی پیش بینی های گروهی بارش، بهبود آنها با روش های تصحیح اریبی است. در اینتحقیق پیش بینی های گروهی بارش ۶ مدل عددی از پایگاه داده TIGGE در چهار حوضه آبریز کرخه، کارون، ارومیه وسفیدرود در ایران برای سالهای ۲۰۰۸ تا ۲۰۱۸ استخراج و با دو روش نگاشت چندک و جنگل تصادفی تصحیح اریبیشدند. نتایج ارزیابی نشان داد که اکثر مدلها بعد از تصحیح اریبی با روش rf مهارت بیشتری در پیش بینی عمق بارشدر هر چهار حوضه نسبت به روش نگاشت چندک و حالت خام دارند. در ارزیابی دوبخشی برای استانه بارش ۵ و ۲۵میلی متر عملکرد تمامی مدل ها بعد از تصحیح اریبی بهبود یافت ولی روش نگاشت چندک اندکی بهتر از روش rf بود.در ارزیابی های احتمالاتی بهبود قابل توجهی براساس معیارهای crpss و bss بعد از تصحیح اریبی به روش rf نسبت بهروش نگاشت چندک در مدل ها مشاهده شد و نمودارهای اعتمادپذیری پیش بینی های تصحیح اریبی شده با روش rf درهر چهار حوضه در اطراف خط ۱:۱ متمرکز شدند. همچنین مدل ها در دو حوضه کرخه و کارون، پیش بینی های بهترینسبت به دو حوضه دیگر داشتند و دو مدل ecmwf و ukmo عملکرد بهتری نسبت به سایر مدل ها داشتند.

کلیدواژه ها:

پس پردازش ، پیش بینی گروهی ، TIGGE ، یادگیری ماشین ، جنگل تصادفی