د احصایوي تحلیل سره د منځنۍ مودې هوا وړاندوینه
د منځنۍ مودې د هوا وړاندوینه - معمولا په راتلونکي کې له 3 څخه تر 10 ورځو پورې - په عصري هوا پېژندنه کې یو مهم کار دی. پدې وخت چوکاټ کې، د ورځني عملیاتو څخه تر لوی کچې پورې پریکړې ډیری وختونه د هوا معلوماتو پورې اړه لري: د الوتنې مهالویش، د کرنې مدیریت، لوژستیک ویش، د سیلابونو کمول، او حتی د بهرني فعالیتونو پلان کول. په هرصورت، د هوا وړاندوینې هیڅکله په بشپړ ډول ډاډمنې ندي ځکه چې اتموسفیر یو پیچلی، متحرک سیسټم دی چې د لومړنیو شرایطو سره حساس دی. دا هغه ځای دی چې احصایوي تحلیل راځي: دا د تاریخي معلوماتو څخه نمونې استخراجولو، ناڅرګندتیا اندازه کولو، او د معلوماتو پرمخ وړونکي چلند له لارې د وړاندوینې معلوماتو کیفیت ښه کولو کې مرسته کوي.
د منځنۍ کچې هوا څه شی دی؟
په عملي توګه، د هوا وړاندوینې په څو وختونو ویشل شوي دي: ډیر لنډمهاله (اوس مهال، دقیقې څخه تر ساعتونو پورې)، لنډمهاله (۱-۳ ورځې)، منځمهاله (۳-۱۰ ورځې)، او اوږدمهاله یا موسمي (اونیو څخه تر میاشتو پورې). د منځمهاله هوا وړاندوینو سره اصلي ننګونه د وخت په تیریدو سره د ناڅرګندتیا زیاتوالی دی. په لومړنیو اندازه کولو کې کوچنۍ غلطۍ، لکه په یو ځای کې د تودوخې یا د هوا فشار، کولی شي څو ورځې وروسته د هوا نمونې ضرب او اغیزمنې کړي. دا پدیده ډیری وختونه د اتموسفیر متحرکاتو کې د "ګډوډۍ" مفکورې سره تړاو لري.
که څه هم د شمېريزو هوا وړاندوينې (NWP) ماډلونه د وړاندوينې د ملا تير پاتې دي، احصایوي تحلیل کولی شي د ماډل پایلې بشپړې او ښه کړي، په ځانګړې توګه کله چې ماډل په ځینو سیمو کې سیستماتیک تعصبونه ولري یا کله چې سیمه ایز متغیرات لکه باران په کلکه د توپوګرافیک شرایطو لخوا اغیزمن کیږي.
ولې احصایوي تحلیل مهم دی؟
د منځني مودې د هوا وړاندوینې لپاره احصایوي تحلیل درې لویې ونډې لري:
۱. د تاریخي معلوماتو پروسس کول د نمونې معلوماتو ته: د هوا معلومات موسمي رجحانات، ورځني دورې، او د اجزاو ترمنځ اړیکې لري (د مثال په توګه، تودوخه، رطوبت، او د باران چانس). احصایې د دې اړیکو په کمیتي اندازه کولو کې مرسته کوي.
۲. د عددي ماډل تعصب اصلاح کول: د NWP ماډلونه ډیری وختونه په ځینو سیمو کې "ډیر ګرم،" "ډیر سړه،" یا ډیر باران وړاندوینه کوي. د احصایوي تعصب اصلاح (د پروسس وروسته) کولی شي د سټیشن په کچه دقت ښه کړي.
۳. اوسني احتمالات، نه غلط ډاډونه: د دې پر ځای چې ووایو "باران به وي"، احصایوي تحلیل د "۷۰٪ د باران امکان" په څیر بیانونو ملاتړ کوي کوم چې د پریکړې کولو لپاره ډیر واقعیت لري.
اړین معلومات
احصایوي وړاندوینې د معلوماتو کیفیت پورې اړه لري. د معلوماتو عامې سرچینې عبارت دي له:
- د سطحې مشاهدې: تودوخه، رطوبت، فشار، د باد سرعت، باران، وړانګې.
- د رادار او سپوږمکۍ معلومات: د ورېځو او باران ویش، کوم چې د فضايي نمونو لپاره مهم دی.
- د عددي ماډل محصول: د نړیوال/سیمه ایز ماډلونو څخه د تودوخې، باد، فشار، او اتموسفیر شاخصونو وړاندوینې.
- د اقلیم شاخصونه: لکه ENSO (El Niño-La Niña)، MJO (Madden-Julian Oscillation)، یا IOD چې کولی شي په اونۍ کې د باران چانس اغیزمن کړي.
د ماډل کولو دمخه مرحله کې معمولا د معلوماتو پاکول شامل دي: د ورک شوي معلوماتو اداره کول، د څرګندو نیمګړتیاوو لرې کول، او د وخت حل (د مثال په توګه، ورځنی) تنظیم کول ترڅو د منځنۍ مودې وړاندوینې اړتیاو سره سم وي.
په مکرر ډول کارول شوي احصایوي تخنیکونه
۱. د وخت لړۍ تحلیل
د وخت لړۍ میتودونه لکه ARIMA یا SARIMA د هغو متغیرونو لپاره کارول کیدی شي چې قوي موسمي نمونې لري، لکه ورځنی تودوخه. د اتوماتیک ارتباط (د اوسني ارزښتونو او تیرو ارزښتونو ترمنځ اړیکه) په کارولو سره، ماډل کولی شي په راتلونکي کې د څو ورځو ارزښتونه وړاندوینه وکړي. په هرصورت، ARIMA د باران لپاره لږ اغیزمن وي ځکه چې دا قسطي او غیر عادي ویشل شوی دی.
۲. ریګریشن او خطي ماډلونه
خطي ریګریشن ګټور دی کله چې تاسو غواړئ د څو وړاندوینو څخه د هدف متغیر (د مثال په توګه، اعظمي تودوخه) وړاندوینه وکړئ: رطوبت، فشار، د باد سرعت، یا عددي ماډل محصول. د دې سادګۍ سره سره، ریګریشن اکثرا یو پیاوړی اساس دی، په ځانګړي توګه کله چې د منظم کولو (ریج/لاسو) سره یوځای شي ترڅو د ډیر فټینګ مخه ونیسي.
۳. د باران پیښو لپاره د طبقه بندي ماډل
د دې لپاره چې وړاندوینه وشي چې باران به وشي یا نه، د طبقه بندي کولو طریقه لکه لوژستیک ریګریشن کارول کیدی شي. دا ماډل د باران د پیښې احتمال رامینځته کوي، کوم چې د خطر اړیکو لپاره مناسب دی. د باران شدت وړاندوینې لپاره، د دوه مرحلو ماډل کارول کیدی شي: لومړی، د باران احتمال وړاندوینه کول، او بیا د باران د اندازې وړاندوینه کول که چیرې پیښ شي (دوه برخې ماډل).
۴. انسمبل او احتمالي میتودونه
په هوا پېژندنه کې، انسمبل د څو وړاندوینې سناریوګانو چلولو ته اشاره کوي (د مثال په توګه، د څو ماډل غړو څخه یا د مختلفو لومړنیو شرایطو څخه). احصایې د انسمبل غړي په کیلیبریټ شوي احتمالاتو کې سره یوځای کوي، د بیلګې په توګه، د بایسیان ماډل اوسط، د رتبې هسټوګرامونه، یا کوانټایل کیلیبریشن کارول. پایله یو واحد شمیر نه دی، بلکه د احتمالاتو لړۍ او د باور کچه ده.
۵. د پروسس وروسته: MOS او تعصب اصلاح
د ماډل آوټ پټ احصایې (MOS) یوه کلاسیکه طریقه ده: د احصایوي ماډل جوړول چې د سټیشن مشاهدو سره د عددي ماډل آوټ پټ تړاو لري. هدف د محلي تعصبونو اصلاح کول دي. د مثال په توګه، که چیرې یو ماډل په غرنیو سیمو کې د باران کم اټکل کوي، MOS کولی شي د دې غلطیو نمونو څخه "زده کړه" وکړي. عصري تخنیکونه هم په پراخه کچه د کوانټائل نقشه کولو څخه کار اخلي ترڅو وړاندوینه شوي توزیع تنظیم کړي ترڅو د مشاهده شوي توزیع سره نږدې سمون ولري.
د فعالیت ارزونه: د "دقیق" څخه ډیر څه
د منځني مودې د هوا وړاندوینې کې، ارزونې باید د احتمالي طبیعت په پام کې ونیسي. ځینې عام کارول شوي معیارونه دا دي:
- د تودوخې یا باد لپاره MAE/RMSE (د مربع اوسط تېروتنه او د ریښې معنی مربع تېروتنه).
- د باران احتمال لپاره د بریر نمره.
- د باران او نه باران پیښو ترمنځ د توپیر کولو وړتیا لپاره ROC-AUC.
- د اعتبار ډیاګرام د دې ارزولو لپاره چې ایا ورکړل شوي احتمالات "صادقانه" دي (د مثال په توګه، د 70٪ باران وړاندوینه په حقیقت کې شاوخوا 70٪ وخت پیښیږي).
ښه ارزونه په مثالي ډول د وخت لړۍ سټایل کراس تایید سره ترسره کیږي، نه ناڅاپي، ترڅو د ماډل روزنې کې "راتلونکی لیک" نشي.
مهمې ننګونې او څنګه پرې بریالي شو
لومړی، اتموسفیر غیر خطي دی او د رژیم د پرله پسې بدلونونو تابع دی (د بیلګې په توګه، موسمي بدلونونه). هغه احصایوي ماډلونه چې ډیر سخت دي کولی شي د شرایطو بدلون سره ناکام شي. حل دا دی چې په منظم ډول ماډل تازه کړئ او د موسمي وړاندوینې کونکي یا د اقلیم شاخصونه شامل کړئ.
دوهم، د باران معلومات اکثرا "صفر پړسوب" (ډیری صفر ارزښتونه) او خورا متنوع وي. دا ساده ماډلونه ستونزمن کوي. د دوه مرحلو چلند (د باران احتمال + شدت) یا یو ځانګړی ویش (ګاما/پویسن) کولی شي مرسته وکړي.
دریم، د منځمهاله مودې وړاندوینې د لویو پیښو لکه MJO لخوا اغیزمن کیږي. د اتموسفیر شاخصونو او گردش متغیرونو شاملول (د مثال په توګه، جیوپوټینشیل یا په ځانګړو طبقو کې بادونه) کولی شي فعالیت ښه کړي، په ځانګړې توګه په راتلونکو ورځو کې د لوند / وچو دورو اټکل کولو کې.
پایله: احصایې د فزیک ماډلونو سره د ملګري په توګه
د منځني مودې د هوا وړاندوینه یوازې د دې اټکل کولو څخه ډیره ده چې ایا سبا به باران وشي. دا د اتموسفیر فزیک پوهیدو او د تاریخي معلوماتو څخه زده کړې ترکیب دی. احصایوي تحلیل د ناڅرګندتیا اندازه کولو، تعصبونو سمولو، او په احتمالي شرایطو کې وړاندوینې وړاندې کولو لپاره یو چوکاټ چمتو کوي چې د پریکړې کولو لپاره ډیر ګټور دي. د لویو معلوماتو او ګړندي کمپیوټري دور کې، احصایوي طریقې - دواړه کلاسیک او عصري - په زیاتیدونکي توګه د فزیکي ماډلونو سره اړین شریکان کیږي. د دواړو سره یوځای کولو سره، د منځني مودې د هوا وړاندوینې کولی شي ډیر دقیق، ډیر محلي، او تر ټولو مهم، ډیر باوري وي.
