Αξιολόγηση των επιφανειακών προγνώσεων ενός ατμοσφαιρικού μοντέλου μέσης κλίμακας για την λεκάνη της Μεσογείου

Στην παρούσα εργασία παρουσιάζεται η στατιστική αξιολόγηση 2 ετών ενός μη-υδροστατικού ατμοσφαιρικού μοντέλου περιορισμένης περιοχής. Η εκτεταμένη ποσοτική επαλήθευση των προγνώσεων του μοντέλου περιλαμβάνει εκτίμηση συνεχών και διακριτών μεταβλητών και εφαρμόστηκε για τα προγνωστικά πεδία κοντά στην επιφάνεια. Η μεθοδολογία βασίστηκε στη σημειακή σύγκριση μεταξύ των αποτελεσμάτων του μοντέλου και των αντίστοιχων παρατηρήσεων επιφανείας από το δίκτυο του Παγκόσμιου Μετεωρολογικού Οργανισμού (ΠΜΟ). Για την αξιολόγηση των προγνώσεων σε σχέση με τις παρατηρήσεις αναπτύχθηκε εξειδικευμένο στατιστικό πακέτο. Το συγκεκριμένο λογισμικό περιλαμβάνει αποκωδικοποιητές grib, εξελιγμένα σχήματα ποιοτικού ελέγχου των παρατηρήσεων και εκτίμηση του συστηματικού σφάλματος και της τετραγωνικής ρίζας του μέσου τετραγωνικού σφάλματος για συνεχείς και διακριτές μεταβλητές. Η στατιστική ανάλυση κατέδειξε πως τα σφάλματα του μοντέλου εξαρτώνται από τον ημερήσιο και εποχιακό κύκλο, την προγνωστική ώρα και τη θέση του σταθμού ειδικά σε περιοχές με πολύπλοκα φυσιογραφικά χαρακτηριστικά.

In the present study a two-year statistical evaluation of a non-hydrostatic limited area atmospheric model is presented. The extended quantitative verification of the model has been applied in the near surface prognostic fields assessing both continuous and discrete variables. The statistics are based on the point-to-point comparison between the model outputs and the relevant surface observations obtained from the World Meteorological Organization (WMO) network unevenly distributed over the domain of integration. The assessment of the model forecasts against the surface observations was fulfilled in the framework of the development of an advanced statistical package. This new developed software includes grib decoders, advanced schemes for the surface observations quality control and estimation of various statistical scores such as bias and root mean square error (RMSE) for both continuous and discrete predictants. The statistical analysis indicated that the model errors are highly dependent on the diurnal cycle, the seasonality, the forecast time and the station location especially over areas with complex physiographic characteristics.