ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕਰੀਏ
ਬਾਰਿਸ਼ ਸਭ ਤੋਂ ਵੱਧ ਦੇਖੇ ਜਾਣ ਵਾਲੇ ਮੌਸਮੀ ਤੱਤਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਖੇਤੀਬਾੜੀ, ਆਵਾਜਾਈ, ਸੈਰ-ਸਪਾਟਾ ਤੋਂ ਲੈ ਕੇ ਹੜ੍ਹ ਪ੍ਰਬੰਧਨ ਤੱਕ ਰੋਜ਼ਾਨਾ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸਿੱਧਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਅਜੇ ਵੀ "ਬਾਰਿਸ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ" ਨੂੰ "ਬਾਰਿਸ਼ ਦੀ ਨਿਸ਼ਚਤਤਾ" ਨਾਲ ਜੋੜਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਆਧੁਨਿਕ ਮੌਸਮ ਵਿਗਿਆਨ ਵਿੱਚ, ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਸੰਭਾਵਨਾ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਲੇਖ ਚਰਚਾ ਕਰਦਾ ਹੈ ਕਿ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਤੋਂ ਲੈ ਕੇ ਆਸਾਨੀ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਵਾਲੀਆਂ ਗਣਨਾ ਉਦਾਹਰਣਾਂ ਤੱਕ।
ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਸਮਝਣਾ
ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅਕਸਰ ਵਰਖਾ ਦੀ ਸੰਭਾਵਨਾ (PoP) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇਸ ਗੱਲ ਦਾ ਮਾਪ ਨਹੀਂ ਹੈ ਕਿ ਬਾਰਿਸ਼ ਕਿੰਨੀ ਭਾਰੀ ਹੋਵੇਗੀ, ਸਗੋਂ ਇਹ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਕਿਸੇ ਦਿੱਤੇ ਗਏ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਦਿੱਤੇ ਸਮੇਂ (ਜਿਵੇਂ ਕਿ, 6 ਘੰਟੇ ਜਾਂ 24 ਘੰਟੇ) ਦੇ ਅੰਦਰ ਬਾਰਿਸ਼ ਹੋਵੇਗੀ।
ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਇਹ "ਬਾਰਿਸ਼ ਦੀ 70% ਸੰਭਾਵਨਾ" ਕਹਿੰਦਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ 70% ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਖੇਤਰ ਅਤੇ ਸਮੇਂ ਦੀ ਮਿਆਦ ਵਿੱਚ ਮੀਂਹ ਪਵੇਗਾ (ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਖਾਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ 0,1 ਮਿਲੀਮੀਟਰ)।
ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਮੌਸਮ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ, ਵਾਯੂਮੰਡਲ ਦੀ ਗਤੀਸ਼ੀਲਤਾ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਕਾਰਨ ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਸਮਝਣਾ ਹਮੇਸ਼ਾ ਆਸਾਨ ਨਹੀਂ ਹੁੰਦਾ। ਹਾਲਾਂਕਿ, ਅੰਕੜਿਆਂ ਦੇ ਅਨੁਸਾਰ, ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਦੋ ਆਮ ਤਰੀਕੇ
ਅਭਿਆਸ ਵਿੱਚ, ਦੋ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਤਰੀਕੇ ਹਨ:
1. ਇਤਿਹਾਸਕ ਡੇਟਾ-ਅਧਾਰਤ ਅੰਕੜਾ ਪਹੁੰਚ
ਕਿਸੇ ਦਿੱਤੇ ਸਮੇਂ 'ਤੇ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਪਿਛਲੇ ਮੀਂਹ ਦੇ ਰਿਕਾਰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
2. ਭਵਿੱਖਬਾਣੀ (ਮਾਡਲ) ਅਤੇ ਸੰਗ੍ਰਹਿ ਪਹੁੰਚ
ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਮੌਸਮ ਮਾਡਲ ਆਉਟਪੁੱਟ (ਕਈ ਦ੍ਰਿਸ਼ਾਂ/ਮਾਡਲ ਮੈਂਬਰਾਂ ਸਮੇਤ) ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
ਇਸ ਲੇਖ ਵਿੱਚ, ਮੁੱਖ ਧਿਆਨ ਇਸ ਗੱਲ 'ਤੇ ਹੈ ਕਿ ਇੱਕ ਅੰਕੜਾਤਮਕ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇ ਜੋ ਕੋਈ ਵੀ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਮਾਡਲਿੰਗ ਪਹੁੰਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ ਇਸ ਬਾਰੇ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਸਮਾਪਤ ਹੁੰਦਾ ਹੈ।
ਲੋੜੀਂਦਾ ਡੇਟਾ
ਅੰਕੜਿਆਂ ਅਨੁਸਾਰ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਲੋੜ ਹੈ:
- ਮੀਂਹ ਦੇ ਸਟੇਸ਼ਨਾਂ ਜਾਂ ਮੀਂਹ ਦੀਆਂ ਪੋਸਟਾਂ ਤੋਂ ਰੋਜ਼ਾਨਾ/ਘੰਟਾਵਾਰ ਮੀਂਹ ਦਾ ਡੇਟਾ।
- ਕਾਫ਼ੀ ਲੰਮਾ ਡੇਟਾ ਪੀਰੀਅਡ (ਜਿਵੇਂ ਕਿ ਵਧੇਰੇ ਸਥਿਰ ਹੋਣ ਲਈ 10-30 ਸਾਲ)।
- ਵਰਤੀ ਗਈ "ਮੀਂਹ" ਦੀ ਪਰਿਭਾਸ਼ਾ: ਬਾਰਿਸ਼ ਦੀ ਘੱਟੋ-ਘੱਟ ਸੀਮਾ ਜਿਸਨੂੰ ਬਾਰਿਸ਼ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ≥ 0,1 ਮਿਲੀਮੀਟਰ/ਦਿਨ ਜਾਂ ≥ 1 ਮਿਲੀਮੀਟਰ/ਦਿਨ)।
ਇਹ ਸੀਮਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ "ਹਲਕੀ ਬੂੰਦਾ-ਬਾਂਦੀ" ਨੂੰ ਮੀਂਹ ਵਜੋਂ ਦਰਜ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਕੁਝ ਖਾਸ ਉਦੇਸ਼ਾਂ ਲਈ (ਜਿਵੇਂ ਕਿ ਖੇਤੀਬਾੜੀ), ਤੁਸੀਂ ਇਸਨੂੰ ਸਿਰਫ਼ ਤਾਂ ਹੀ ਮੀਂਹ ਮੰਨ ਸਕਦੇ ਹੋ ਜੇਕਰ ਇਹ ≥ 5 ਮਿਲੀਮੀਟਰ ਹੋਵੇ।
ਢੰਗ 1: ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਹੋਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਤੋਂ (ਸਧਾਰਨ ਢੰਗ)
ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਤਰੀਕਾ ਉਸੇ ਸਮੇਂ ਦੌਰਾਨ ਬਾਰਿਸ਼ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਹੈ।
ਫਾਰਮੂਲਾ
\[
P(\text{ਬਾਰਿਸ਼}) = \frac{\text{ਬਾਰਿਸ਼ ਦੇ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ}}{\text{ਦਿਨਾਂ ਦੀ ਕੁੱਲ ਗਿਣਤੀ}} \ਗੁਣਾ 100\%
\]
ਉਦਾਹਰਣ
ਮੰਨ ਲਓ ਤੁਸੀਂ 10 ਸਾਲਾਂ ਦੇ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਜਨਵਰੀ ਵਿੱਚ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਤੁਸੀਂ 10 ਸਾਲਾਂ ਲਈ ਜਨਵਰੀ ਵਿੱਚ ਕੁੱਲ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ ਇਕੱਠੀ ਕਰਦੇ ਹੋ:
- ਜਨਵਰੀ ਵਿੱਚ 31 ਦਿਨ ਹੁੰਦੇ ਹਨ।
– ਕੁੱਲ ਡਾਟਾ = 31 × 10 = 310 ਦਿਨ।
- 310 ਦਿਨਾਂ ਵਿੱਚੋਂ, 217 ਦਿਨਾਂ ਵਿੱਚ ≥ 0,1 ਮਿਲੀਮੀਟਰ ਤੋਂ ਘੱਟ ਬਾਰਿਸ਼ ਦਰਜ ਕੀਤੀ ਗਈ।
ਇਸ ਲਈ:
\[
P(\text{rain}) = \frac{217}{310} \ਗੁਣਾ 100\% \ਲਗਭਗ 70\%
\]
ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ, ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ, ਜਨਵਰੀ ਵਿੱਚ ਕਿਸੇ ਬੇਤਰਤੀਬ ਦਿਨ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਲਗਭਗ 70% ਹੈ (0,1 ਮਿਲੀਮੀਟਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ)।
ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ
- ਫਾਇਦੇ: ਗਣਨਾ ਕਰਨਾ ਬਹੁਤ ਆਸਾਨ।
– ਸੀਮਾਵਾਂ: ਅੱਜ ਦੀਆਂ ਵਾਯੂਮੰਡਲੀ ਸਥਿਤੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦਾ, ਸਿਰਫ਼ ਇਤਿਹਾਸਕ ਔਸਤਾਂ ਨੂੰ।
ਢੰਗ 2: ਇੱਕ ਦਿੱਤੀ ਤਾਰੀਖ ਲਈ ਮੀਂਹ ਦੀ ਸੰਭਾਵਨਾ (ਰੋਜ਼ਾਨਾ ਜਲਵਾਯੂ)
ਜੇਕਰ ਤੁਸੀਂ ਹੋਰ ਸਪੱਸ਼ਟ ਹੋਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਕਈ ਸਾਲਾਂ ਦੇ ਉਸ ਤਾਰੀਖ਼ ਦੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਸੇ ਖਾਸ ਤਾਰੀਖ਼, ਜਿਵੇਂ ਕਿ 10 ਮਈ, ਲਈ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹੋ।
ਕਦਮ
1. ਉਸੇ ਤਾਰੀਖ ਲਈ ਬਾਰਿਸ਼ ਦਾ ਡੇਟਾ ਲਓ, ਉਦਾਹਰਣ ਵਜੋਂ 20 ਸਾਲਾਂ ਲਈ ਹਰ 10 ਮਈ ਨੂੰ।
2. ਉਸ ਮਿਤੀ ਨੂੰ ਕਿੰਨੀ ਵਾਰ ਮੀਂਹ ਪਿਆ (≥ ਥ੍ਰੈਸ਼ਹੋਲਡ) ਗਿਣੋ।
3. ਸਾਲਾਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਭਾਗ ਕਰੋ।
ਫਾਰਮੂਲਾ
\[
P(\text{ਮਿਤੀ 'ਤੇ ਮੀਂਹ} d) = \frac{\text{ਮਿਤੀ 'ਤੇ ਮੀਂਹ ਦੇ ਸਾਲਾਂ ਦੀ ਗਿਣਤੀ} d}{\text{ਡੇਟਾ ਦੇ ਸਾਲਾਂ ਦੀ ਗਿਣਤੀ}} \ਗੁਣਾ 100\%
\]
ਉਦਾਹਰਣ
20 ਸਾਲਾਂ ਲਈ 10 ਮਈ ਦਾ ਡਾਟਾ:
- 14 ਗੁਣਾ ਮੀਂਹ (≥ 1 ਮਿਲੀਮੀਟਰ)।
– ਕੁੱਲ ਸਾਲ = 20।
\[
ਪੀ = \frac{14}{20} \ਗੁਣਾ 100\% = 70\%
\]
ਇਸ ਵਿਧੀ ਨੂੰ ਅਕਸਰ ਰੋਜ਼ਾਨਾ ਜਲਵਾਯੂ ਪਹੁੰਚ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਸਥਿਰਤਾ ਵਧਾਉਣ ਲਈ, ਤੁਸੀਂ ਸਮਾਂ ਵਿੰਡੋ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹੋ, ਉਦਾਹਰਣ ਵਜੋਂ, 9 ਦਿਨ (6-14 ਮਈ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ ਫਿਰ ਔਸਤ ਲਗਾ ਕੇ।
ਢੰਗ 3: ਇੱਕ ਖਾਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਆਧਾਰ 'ਤੇ "ਭਾਰੀ ਮੀਂਹ" ਦੀ ਸੰਭਾਵਨਾ
ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਤੀਬਰਤਾ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਵੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਭਾਰੀ ਮੀਂਹ। ਤਰੀਕਾ ਉਹੀ ਹੈ, ਸਿਰਫ਼ ਥ੍ਰੈਸ਼ਹੋਲਡ ਬਦਲਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਭਾਰੀ ਮੀਂਹ ਦੀ ਪਰਿਭਾਸ਼ਾ: ≥ 50 ਮਿਲੀਮੀਟਰ/ਦਿਨ।
\[
P(\text{ਭਾਰੀ ਮੀਂਹ}) = \frac{\text{ਮੀਂਹ ਵਾਲੇ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ ≥ 50 ਮਿਲੀਮੀਟਰ}}{\text{ਦਿਨਾਂ ਦੀ ਕੁੱਲ ਗਿਣਤੀ}} \ਗੁਣਾ 100\%
\]
ਰੂਪ:
– 5 ਸਾਲਾਂ ਵਿੱਚ ਕੁੱਲ ਦਿਨ: 5 × 365 = 1825 ਦਿਨ (ਸਰਲਤਾ ਲਈ ਲੀਪ ਸਾਲਾਂ ਨੂੰ ਅਣਡਿੱਠ ਕਰੋ)।
– ਬਰਸਾਤੀ ਦਿਨ ≥ 50 ਮਿਲੀਮੀਟਰ: 36 ਦਿਨ।
\[
ਪੀ = \frac{36}{1825} \ਗੁਣਾ 100\% \ਲਗਭਗ 2\%
\]
ਭਾਵੇਂ ਛੋਟਾ ਹੈ, ਇਹ ਮੁੱਲ ਹੜ੍ਹ ਜੋਖਮ ਵਿਸ਼ਲੇਸ਼ਣ, ਡਰੇਨੇਜ ਯੋਜਨਾਬੰਦੀ, ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਲਈ ਉਪਯੋਗੀ ਹੈ।
ਢੰਗ 4: ਪਿਛਲੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਭਾਵਨਾ (ਸਧਾਰਨ ਮਾਰਕੋਵ)
ਮੀਂਹ ਅਕਸਰ ਇੱਕ "ਨਿਰੰਤਰਤਾ ਪੈਟਰਨ" ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ: ਜੇਕਰ ਅੱਜ ਮੀਂਹ ਪੈਂਦਾ ਹੈ, ਤਾਂ ਕੱਲ੍ਹ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਅੱਜ ਨਾ ਪੈਣ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਮਾਰਕੋਵ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਧਾਰਨ ਤਬਦੀਲੀ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹੋ।
ਦੋ ਅਵਸਥਾਵਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ:
– H = ਮੀਂਹ (≥ ਥ੍ਰੈਸ਼ਹੋਲਡ)
– T = ਮੀਂਹ ਨਹੀਂ
ਇਤਿਹਾਸਕ ਡੇਟਾ ਤੋਂ ਗਣਨਾ ਕਰੋ:
– \(P(H|H)\): ਜੇਕਰ ਅੱਜ ਮੀਂਹ ਪਿਆ ਤਾਂ ਕੱਲ੍ਹ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ।
– \(P(H|T)\): ਜੇਕਰ ਅੱਜ ਮੀਂਹ ਨਹੀਂ ਪੈਂਦਾ ਤਾਂ ਕੱਲ੍ਹ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ।
ਉਦਾਹਰਣ
1.000 ਲਗਾਤਾਰ ਦਿਨ ਦੇ ਜੋੜਿਆਂ ਤੋਂ:
- 400 ਵਾਰ ਇਹ ਕਹਿੰਦਾ ਹੈ "ਅੱਜ ਮੀਂਹ ਪੈ ਰਿਹਾ ਹੈ।" ਉਨ੍ਹਾਂ 400 ਵਾਰਾਂ ਵਿੱਚੋਂ, 260 ਵਾਰ ਕੱਲ੍ਹ ਮੀਂਹ ਪਵੇਗਾ।
\(P(H|H) = 260/400 = 65\%\)
- 600 ਵਾਰ "ਅੱਜ ਮੀਂਹ ਨਹੀਂ ਪਵੇਗਾ।" ਉਨ੍ਹਾਂ 600 ਵਾਰਾਂ ਵਿੱਚੋਂ, 180 ਵਾਰ ਕੱਲ੍ਹ ਮੀਂਹ ਪਵੇਗਾ।
\(P(H|T) = 180/600 = 30\%\)
ਇਹ ਕੱਲ੍ਹ ਨੂੰ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅੱਜ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਐਡਜਸਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਅਜੇ ਵੀ ਸਰਲ ਹੈ, ਪਰ ਮਾਸਿਕ ਔਸਤ ਨਾਲੋਂ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਹੈ।
ਢੰਗ 5: ਮੌਸਮ ਮਾਡਲਾਂ ਦੇ ਸਮੂਹ ਤੋਂ ਸੰਭਾਵਨਾਵਾਂ (ਆਧੁਨਿਕ ਅਭਿਆਸ ਦਾ ਸੰਖੇਪ)
ਆਧੁਨਿਕ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ, ਵਰਖਾ ਦੀ ਸੰਭਾਵਨਾ ਅਕਸਰ ਇੱਕ ਸਮੂਹਿਕ ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਗਿਣੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਵਾਲੇ ਕਈ ਮਾਡਲ ਸਿਮੂਲੇਸ਼ਨਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ। ਸਿਧਾਂਤ ਇਹ ਹੈ:
\[
P(\text{rain}) = \frac{\text{ਮੀਂਹ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਸਮੂਹ ਮੈਂਬਰਾਂ ਦੀ ਗਿਣਤੀ}}{\text{ਸਮੂਹ ਮੈਂਬਰਾਂ ਦੀ ਗਿਣਤੀ}} \ਗੁਣਾ 100\%
\]
ਉਦਾਹਰਣ
ਕੱਲ੍ਹ ਤੁਹਾਡੇ ਇਲਾਕੇ ਲਈ 20 ਮੈਂਬਰ ਹਨ:
– 12 ਮੈਂਬਰਾਂ ਨੇ ≥ 1 ਮਿਲੀਮੀਟਰ ਬਾਰਿਸ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ।
– 8 ਮੈਂਬਰਾਂ ਨੇ <1 ਮਿਲੀਮੀਟਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ। \[ P = \frac{12}{20} \ਗੁਣਾ 100\% = 60\% \] ਇਹ ਵਿਧੀ ਮਾਡਲ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਭਵਿੱਖਬਾਣੀ ਦੀ ਮਿਤੀ ਜਿੰਨੀ ਅੱਗੇ ਜਾਂਦੀ ਹੈ, ਓਨੀਆਂ ਹੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾਵਾਂ "ਖਿੱਚਦੀਆਂ" ਹਨ ਕਿਉਂਕਿ ਅਨਿਸ਼ਚਿਤਤਾ ਵਧਦੀ ਹੈ। ਵਧੇਰੇ ਸਟੀਕ ਗਣਨਾਵਾਂ ਲਈ ਸੁਝਾਅ 1. ਇੱਕ ਢੁਕਵੀਂ ਬਾਰਿਸ਼ ਥ੍ਰੈਸ਼ਹੋਲਡ ਸੈੱਟ ਕਰੋ। ਮੌਸਮ ਵਿਗਿਆਨਕ ਬਾਰਿਸ਼ ਪਰਿਭਾਸ਼ਾਵਾਂ ਲਈ 0,1 ਮਿਲੀਮੀਟਰ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਢੁਕਵੀਂ ਹੈ; ਪ੍ਰਭਾਵਾਂ ਲਈ, 5-10 ਮਿਲੀਮੀਟਰ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। 2. ਲੰਬੇ ਅਤੇ ਸਾਫ਼ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਗੁੰਮ ਡੇਟਾ ਜਾਂ ਨੁਕਸਦਾਰ ਮਾਪਣ ਵਾਲੇ ਯੰਤਰ ਨਤੀਜੇ ਬਦਲ ਸਕਦੇ ਹਨ। ਡੇਟਾ ਗੁਣਵੱਤਾ ਜਾਂਚ ਕਰੋ। 3. ਮੌਸਮ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਸੁੱਕੇ ਮੌਸਮ ਅਤੇ ਬਰਸਾਤੀ ਮੌਸਮ ਵਿੱਚ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ। ਪ੍ਰਤੀ ਮੌਸਮ ਜਾਂ ਪ੍ਰਤੀ ਮਹੀਨਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰੋ। 4. ਇੱਕ ਮੂਵਿੰਗ ਟਾਈਮ ਵਿੰਡੋ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਖਾਸ ਤਾਰੀਖਾਂ ਲਈ, ±3 ਤੋਂ ±7 ਦਿਨਾਂ ਦੀ ਇੱਕ ਵਿੰਡੋ ਅਨੁਮਾਨਾਂ ਨੂੰ ਵਧੇਰੇ ਸਥਿਰ ਬਣਾ ਸਕਦੀ ਹੈ। 5. "ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ" ਅਤੇ "ਕਿੰਨੀ ਮਿਲੀਮੀਟਰ" ਵਿੱਚ ਫਰਕ ਕਰੋ। ਸੰਭਾਵਨਾ ਦਾ ਜਵਾਬ "ਕੀ ਮੀਂਹ ਪਵੇਗਾ", ਨਾ ਕਿ "ਕਿੰਨੀ ਬਾਰਿਸ਼ ਪਵੇਗੀ"। ਸਿੱਟਾ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਅਸਲ ਵਿੱਚ ਇੱਕ ਸਧਾਰਨ ਸੰਕਲਪ 'ਤੇ ਅਧਾਰਤ ਹੈ: ਬਾਰਿਸ਼ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕੁੱਲ ਨਿਰੀਖਣਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਕਰਨਾ। ਤੁਸੀਂ ਅੱਜ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਔਸਤ ਮਹੀਨਾਵਾਰ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ, ਇੱਕ ਖਾਸ ਮਿਤੀ 'ਤੇ ਸੰਭਾਵਨਾ, ਭਾਰੀ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ, ਜਾਂ ਕੱਲ੍ਹ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਵੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹੋ। ਆਧੁਨਿਕ ਅਭਿਆਸ ਵਿੱਚ, ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਅਕਸਰ ਮੌਸਮ ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਇੱਕ ਸੰਭਾਵੀ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਮੌਸਮ ਦੀ ਗਤੀਸ਼ੀਲ ਪ੍ਰਕਿਰਤੀ ਦੇ ਅਨੁਕੂਲ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਐਕਸਲ/CSV ਡੇਟਾ (ਜਿਵੇਂ ਕਿ BMKG ਜਾਂ ਤੁਹਾਡੇ ਬਾਰਿਸ਼ ਸਟੇਸ਼ਨ ਤੋਂ ਰੋਜ਼ਾਨਾ ਬਾਰਿਸ਼ ਡੇਟਾ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਮੂਨਾ ਗਣਨਾ ਬਣਾਉਣ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹਾਂ, ਜੋ ਪ੍ਰਤੀ ਮਹੀਨਾ, ਪ੍ਰਤੀ ਮੌਸਮ, ਅਤੇ ਪ੍ਰਤੀ ਤੀਬਰਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਬਾਰਿਸ਼ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਐਕਸਲ ਫਾਰਮੂਲੇ ਜਾਂ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟਾਂ ਨਾਲ ਪੂਰਾ ਹੁੰਦਾ ਹੈ।
