پیش بینی وقوع مقادیر حدی در سرعت باد با داده ی رادار هواشناسی با استفاده از زنجیره مارکوف

بادسنج‌ها و رادارهای هواشناسی با پایش مداوم شرایط جوی، امکان کشف پدیده‌های حدی را فراهم می‌کنند و این می‌تواند برای پیش‌بینی خیلی کوتاه مدت سرعت باد و اعلام هشدار وقوع توفان بکار گرفته شود. در این مقاله، بر مبنای داده‌های بادسنج مستقر در فرودگاه امام خمینی تهران و داده‌های رادار هواشناسی داپلری تهران، روشی مبتنی بر زنجیره مارکوف برای صدور هشدار احتمال وقوع باد شدید معرفی و پیاده‌سازی شده است. این داده ها، برای پنج سال متوالی در ماه‌های مارس تا جولای جمع‌آوری و پردازش شده‌اند و بر مبنای بخشی از آن زنجیره مارکوفی بنا شده است که امکان پیش‌بینی حداکثر سرعت باد را فراهم می‌سازد. اعتبارسنجی روش پیشنهادی در یک بازه شصت روزه انجام شده است و نتایج نشان می‌دهد که از 15 پدیده‌ی حدی در این شصت روز، 11 پدیده به درستی کشف شده است. در این بازه دو مورد پیش‌بینی خطا نیز صادر شده است. توفان ژوئن 2014 تهران بطور خاص بررسی شده و خروجی مدلِ پیشنهادی با خروجی مدل پیش-بینی عددی هواشناسی مقایسه شده است. نتایج نشان می‌دهد که مدل پیشنهادی دو مورد پدید حدی در این بازه را بطور مناسب پیش‌بینی کرده است.

Forecasting of extreme Wind Speed using Weather radar data based on Markov Chain

Weather radars make it possible to detect extreme events by monitoring the atmospheric condition continuously, which can be used for very short term wind speed forecast and strong wind alert. One of the most common methods for wind forecasting is the Markov chain. Because the Markov chain works based on the frequency of occurrence, it does not predict rare events such as extreme events appropriately. Ancillary tools such as weather radars can be used to remedy this weakness. In this article, based on the Markov chain, a method is proposed to use weather radar data and wind speed data to determine the possibility of strong wind. The method leads to the development of a model in which atmospheric conditions are classified into two stormy and calm conditions by using radar data. In each condition the proper Markov chain is used to find the probability of extreme wind occurrence. Data from March to July of five consecutive years have been gathered and pre-processed for model construction. Model vriified by the use of sixteen days of new data. The results show that out of 15 evens, 11 events are correctly predicted while there are two incorrect predictions. The outcome of the proposed model for a severe storm of June 2014 in Tehran shows that the storm predicted with a good lead time, while the numerical prediction model did not predict this storm.