STRONG LAPSE CONDITION (LOOPING)
WEAK LAPSE CONDITION (CONING)
INVERSION CONDITION (FANNING)
Examples of Atmospheric Stability (attribution)
기상 예측에서 예측 모델은 기후 시스템이 초기 상태에서 시간이 지남에 따라 어떻게 진화하는지를 기반으로 대기의 미래 상태를 예측하는 데 사용됩니다.
예측 모델은 매우 복잡 하지만(그리고 강력한 과학 및 공학적 역량이 필요함 ), 이러한 예측 모델을 분석하고 실제 경험적 관찰을 예측 값과 비교하여 정확성을 검증하는 과학은 매우 간단합니다.
대기 질 영역의 경우 일기 예보와 마찬가지로 미래의 대기 오염을 예측하는 데 사용되는 모델을 정의하는 것이 가능합니다. 실제로 대기 분산 모델링(Atmospheric Dispersion Modeling) 이라고 불리는 그러한 모델이 많이 있습니다. 그리고 날씨 예측과 마찬가지로 동일한 정확도 분석 개념이 대기 오염 예측에도 적용될 수 있습니다.
이 기사는 대기 질 예측에 관한 시리즈 중 첫 번째 기사입니다.
--
PM 2.5 대기 오염 예측은 이미 아시아 , 유럽 및 전 세계 에 대한 세계 대기 질 지수(World Air Quality Index) 프로젝트에서 확인할 수 있습니다.
그러나 예측 모델에 사용되는 데이터는 대부분 지상 관측소 판독값이 아닌 위성 관측( 이 기사 참조)을 기반으로 합니다.
위성 데이터를 사용하면 구름이 없다면 바다를 포함한 지구의 모든 부분을 다룰 수 있다는 장점이 있습니다. 그러나 반면에 위성 데이터는 본질적으로 정확도가 낮고 지상 관측의 경우 24회(매시간)에 비해 하루에 두 번만 사용할 수 있습니다. 아시아 대기 오염의 역학을 고려할 때 하루에 두 번만 판독하면 Rosanne Cole의 분류에 따라 예측에 상당한 실제 예측 오류가 발생할 수 있습니다 [2] .
관찰된 예측 오류에는 (1) 예측을 구성하는 데 사용된 데이터의 측정 오류와 (2) 실현된 값의 측정 오류라는 두 가지 종류의 데이터 오류가 포함될 수 있습니다. 첫 번째 종류의 데이터 오류는 실제 예측 오류의 구성 요소가 됩니다.
유형 2의 오류는 예측에 사용된 분산 모델과 관련이 있습니다. 국가와 대륙별로 서로 다른 모델이 사용되기 때문에(현재 세계대기질지수 프로젝트의 경우) 모델별로 정확도 분석이 이루어져야 합니다. 따라서 우선 이 글에서는 아시아 대륙에 사용되는 모델에 초점을 맞추겠습니다. 이후 게시물에서는 더 많은 대륙으로 분석을 확장할 예정입니다.
--
예측 정확도에 대한 초기 질문으로 돌아가서, 컴퓨터에서 예측이 얼마나 앞서는가에 대한 분석에서 고려해야 할 마지막 항목입니다. 사전에 덜 진행할수록 모델이 더 정확해질 가능성이 높습니다. 따라서 우선 다음 분석 그래프는 "일 +1" 예측을 기반으로 합니다(예: 다음 날에 대한 예측이거나 화요일인 경우 예측은 수요일에 대한 것입니다).
정확도를 나타내는 방법에는 여러 가지가 있으며, 가장 확실한 방법은 실제 관찰과 일치하는 예측의 백분율을 나타내는 간단한 숫자입니다. 그러나 우리는 그래픽 시각화가 숫자보다 훨씬 더 강력하다고 믿기 때문에 아시아의 여러 도시에 대한 중첩된 예측/관측 일치를 제시하는 것을 선호합니다. 상단의 사각형은 경험적 관찰이고 하단의 사각형은 예상 값입니다.
아래의 모든 그래프를 보면 광저우, 청두, 한국의 경우 상당히 실망스러운 결과를 볼 수 있습니다. 아시아에서 사용 중인 모델이 일반 용도로 사용하기에 거의 부적격할 정도입니다. 이는 대기질 예측 시리즈의 두 번째 게시물에서 작성하게 될 내용입니다.
--
--
예측 정확도에 대해 관심이 있는 사람들을 위한 흥미로운 링크:
