STRONG LAPSE CONDITION (LOOPING)
WEAK LAPSE CONDITION (CONING)
INVERSION CONDITION (FANNING)
Examples of Atmospheric Stability (attribution)
Az időjárás-előrejelzésben az előrejelzési modelleket használják a légkör jövőbeli állapotainak előrejelzésére, az alapján, hogy az éghajlati rendszer hogyan fejlődik az idő múlásával a kezdeti állapotból.
Míg az előrejelzési modellek meglehetősen összetettek (és erős tudományos és mérnöki képességeket igényelnek ), az előrejelzési modellek elemzése és pontosságuk ellenőrzése a tényleges empirikus megfigyelések és az előrejelzett értékek összehasonlításával meglehetősen egyszerű.
A levegőminőség területén, csakúgy, mint az időjárás előrejelzésénél, lehetséges olyan modelleket definiálni, amelyek segítségével előrejelzik a légköri szennyezés jövőbeli halmazát. Valójában rengeteg ilyen modell létezik, amelyeket gyakran légköri diszperziós modellezésnek neveznek. És csakúgy, mint az időjárás-előrejelzés, a pontossági elemzésnek ugyanaz a koncepciója alkalmazható a légkörszennyezés előrejelzésére.
Ez a cikk a levegőminőség előrejelzésével foglalkozó sorozat első része.
--
A PM 2,5 légszennyezettségi előrejelzés már elérhető a World Air Quality Index projektben Ázsiára , Európára és az egész világra vonatkozóan.
Az előrejelzési modellek táplálásához használt adatok azonban többnyire műholdas megfigyeléseken alapulnak (lásd ezt a cikket ), nem pedig földi állomások adatain.
A műholdas adatok használatának megvan az az előnye, hogy lefedheti a Föld bármely részét, beleértve az óceánokat is, feltéve, hogy nincs felhő. Másrészt azonban a műholdas adatok is eleve kevésbé pontosak, és csak naponta kétszer állnak rendelkezésre, szemben a földi megfigyelések 24-szeresével (óránként). Figyelembe véve az ázsiai légszennyezettség dinamikáját , a napi két leolvasás jelentős valós előrejelzési hibát eredményezhet az előrejelzésben Rosanne Cole osztályozása szerint [2] :
A megfigyelt előrejelzési hiba kétféle adathibát tartalmazhat: (1) mérési hibákat az előrejelzés összeállításához használt adatokban és (2) mérési hibát a realizált értékben. Az első típusú adathibák a valódi előrejelzési hiba összetevői lesznek
A 2-es típusú hiba az előrejelzéshez használt diszperziós modellhez kapcsolódik. Mivel a különböző országokhoz és kontinensekhez különböző modelleket használnak (jelenleg ez a World Air Quality Index projekt esetében), a pontossági elemzést minden modellnél el kell végezni. Tehát kezdésként ez a cikk az ázsiai kontinensen használt modellre összpontosít. Egy későbbi bejegyzésben további kontinensekre is kiterjesztjük az elemzést.
--
Visszatérve az előrejelzés pontosságára vonatkozó kiinduló kérdéshez, egy utolsó szempont, amelyet az elemzés során figyelembe kell venni, a számítógépes előrejelzés mennyivel előre. Minél kevesebb előre, annál pontosabb a modell. Kezdésként tehát a következő elemzési grafikonok a „+1 nap” előrejelzésen alapulnak (pl. a következő napra vonatkozó előrejelzés, vagy ha Ön kedd, akkor az előrejelzés szerdára vonatkozik).
A pontosság több módja is van, a legnyilvánvalóbb egy egyszerű szám, amely az előrejelzésnek a tényleges megfigyeléssel egyező százalékát jelenti. De mivel úgy gondoljuk, hogy a grafikus vizualizáció sokkal erősebb, mint a számok, inkább bemutatjuk az egymásra helyezett előrejelzés/megfigyelés egyezést Ázsia több városára vonatkozóan. A felül lévő négyzetek az empirikus megfigyeléseket, a lenti pedig az előre megjósolt értékeket jelzik.
Az alábbi grafikonok ellenőrzésével meglehetősen kiábrándító eredményeket tapasztalhatunk Kantonban, Csengtuban és Dél-Koreában... olyan mértékben, hogy az Ázsiában használatos modellt szinte kizárhatják a nyilvános használatból. Erről fogunk írni a levegőminőség előrejelzéséről szóló sorozat második bejegyzésében.
--
--
Néhány érdekes link az előrejelzés pontosságáról érdeklődők számára:
