STRONG LAPSE CONDITION (LOOPING)
WEAK LAPSE CONDITION (CONING)
INVERSION CONDITION (FANNING)
Examples of Atmospheric Stability (attribution)
Dalam prediksi cuaca, model prakiraan digunakan untuk memprediksi keadaan atmosfer di masa depan, berdasarkan bagaimana sistem iklim berevolusi seiring berjalannya waktu dari keadaan awal.
Meskipun model prakiraan cukup kompleks (dan memerlukan kemampuan ilmiah dan teknik yang kuat), ilmu menganalisis model prakiraan tersebut, dan memverifikasi keakuratannya , dengan membandingkan observasi empiris aktual dengan nilai prediksi, cukup mudah dilakukan.
Untuk domain Kualitas Udara, seperti halnya prediksi cuaca, dimungkinkan untuk menentukan model yang digunakan untuk memprediksi rangkaian polusi atmosfer di masa depan. Sebenarnya ada banyak model seperti itu , yang sering disebut sebagai Pemodelan Dispersi Atmosfer . Dan seperti prediksi cuaca, konsep analisis akurasi yang sama dapat diterapkan pada prediksi polusi atmosfer.
Artikel ini adalah bagian pertama dari seri perkiraan Kualitas Udara.
--
Perkiraan polusi udara PM 2.5 sudah tersedia di proyek Indeks Kualitas Udara Dunia untuk Asia , Eropa dan juga seluruh dunia .
Namun data yang digunakan untuk memberi masukan pada model prakiraan sebagian besar didasarkan pada observasi satelit (lihat artikel ini ) daripada pembacaan stasiun terestrial.
Keuntungan menggunakan data satelit adalah dapat mencakup wilayah mana pun di dunia, termasuk lautan, asalkan tidak ada awan. Namun, di sisi lain, data satelit juga kurang akurat, dan hanya tersedia dua kali sehari, dibandingkan dengan 24 kali (setiap jam) untuk observasi terestrial. Mengingat dinamika Polusi Udara di Asia, hanya melakukan dua kali pembacaan dalam sehari dapat menimbulkan kesalahan perkiraan nyata yang signifikan dalam prediksi, mengikuti klasifikasi Rosanne Cole [2] :
Kesalahan perkiraan yang diamati mungkin mengandung dua jenis kesalahan data: (1) kesalahan pengukuran dalam data yang digunakan untuk membuat perkiraan dan (2) kesalahan pengukuran dalam nilai realisasi. Kesalahan data jenis pertama akan menjadi komponen kesalahan perkiraan yang sebenarnya
Kesalahan tipe 2 terkait dengan model dispersi yang digunakan untuk peramalan. Karena model yang berbeda digunakan untuk negara dan benua yang berbeda (saat ini merupakan kasus proyek Indeks Kualitas Udara Dunia), analisis akurasi perlu dilakukan untuk setiap model. Jadi, sebagai permulaan, artikel ini akan fokus pada model yang digunakan untuk benua Asia . Di postingan selanjutnya, kami akan memperluas analisis ke lebih banyak benua.
--
Kembali ke pertanyaan awal tentang keakuratan perkiraan, satu hal terakhir yang harus dipertimbangkan dalam analisis adalah seberapa jauh perkiraan sebelumnya di komputer. Semakin sedikit di muka, kemungkinan besar model tersebut akan semakin akurat. Jadi, sebagai permulaan, grafik analisis berikut didasarkan pada perkiraan "hari +1" (misalnya perkiraan untuk hari berikutnya, atau jika Anda hari Selasa, maka perkiraannya adalah untuk hari Rabu).
Ada beberapa cara untuk merepresentasikan keakuratan, yang paling jelas adalah angka sederhana yang mewakili persentase ramalan yang sesuai dengan pengamatan sebenarnya. Namun karena kami percaya bahwa visualisasi grafis jauh lebih kuat daripada angka, kami lebih memilih menyajikan pencocokan prakiraan/pengamatan untuk beberapa kota di Asia. Kotak di atas adalah observasi empiris dan kotak di bawah adalah nilai perkiraan.
Dengan memeriksa semua grafik di bawah, kita dapat melihat hasil yang cukup mengecewakan untuk Guangzhou, Chengdu dan Korea Selatan... sampai-sampai model yang digunakan untuk Asia hampir dapat didiskualifikasi untuk penggunaan publik. Ini adalah sesuatu yang akan kami tulis di postingan kedua seri Peramalan Kualitas Udara ini.
--
--
Beberapa link menarik bagi yang tertarik untuk membaca tentang akurasi perkiraan:
