4.

Diskusi
Makalah ini telah membahas dua pendekatan utama yaitu koreksi grid bias dalam me
mprediksi cuaca numerik mesoscale: metode LOB, atau pendekatan local neighbor, d
an metode CART-ACE, atau pendekatan regresi. Metode LOB berdasar pada komposisi
temporally weighted spatial dari pengamatan terakhir atas "lingkungan" dari sit
us pengamatan cuaca. Metode CART-ACE didasarkan pada analisis spatiotemporal bia
s menggunakan teknik-teknik modern regresi statistik nonparametrik seperti ekspe
ktasi bersyarat alternatif (ACE) dan pohon regresi.
Meskipun secara umum pendekatan CART-ACE menunjukkan peningkatan yang cukup bera
rti dalam pengurangan MAE dibandingkan dengan pendekatan LOB, metode regresi das
ar menunjukkan keuntungan tidak adanya mean, varians, dan "improve to hurt"rasio
. Keunggulan dalam pengurangan MAE dari pendekatan CART-ACE adalah menghilangkan
bias. Kerugian dari metode CART-ACE adalah bahwa metode ini membutuhkan pelatih
an time window T yang lebih lama. Pendekatan CART-ACE tidak sepenuhnya otomatis,
yaitu pada satu langkah hanya memberikan perkiraan sesepenggal-linier yang digu
inakan untuk transformasi ACE dan CART, yang mungkin membutuhkan beberapa analis
is manual. Jadi, untuk menggunakan metode CART-ACE sebagian besar untuk sparse a
reas dengan no neighbors dalam pendekatan yang wajar atau untuk menjalankan bebe
rapa proyek lokal yang tidak memerlukan penghapusan bias yang sepenuhnya otomati
s dengan beban data yang sangat tinggi.
Metode LOB diusulkan di sini karena berdasarkan pada kombinasi dari tiga unsur:
1. bobot eksponensial dalam waktu.
2. semivariogram yang mendefinisikan representasi spasial neighbors.
3. modifikasi yang kuat (robustification) terhadap anomali (yaitu, penghapusan o
utlier).
Analisis dari metode LOB dan perbandingan dengan metode obs berbasis Wedam dkk m
enunjukkan superioritas skema eksponential weighing (EW) dalam waktu simple aver
aging (SA) skema. Selain itu, skema EW membutuhkan waktu pelatihan yang agak pan
jang, yaitu sekitar 1 minggu dibandingkan 2 minggu jika menggunakan skema SA (li
hat Gambar. 2). The richer spatial representation dengan lingkungan yang ditetap
kan oleh semivariogram menyediakan pengurangan yang lebih tinggi dari MAE daripa
da metode berbasis obs. Modifikasi kuat dari metode LOB sehubungan dengan anomal
i (outlier) dapat menjadi aset yang sangat berharga dari metode LOB karena sanga
t berguna untuk pengurangan MAE dan telah terbukti dalam hal "improve to hurt" s
tatistik dengan metode rezim-adaptif berbasis obs. Untuk memperhitungkan perubah
an rezim account, dilakukan pendekatan alami yaitu menggabungkan RLOB dengan ide
Wedam dkk dan menggunakan tanggal dengan nilai parameter yang sama. Sebagai kes
impulan, the natural future extension dari pendekatan neighbors adalah untuk men
ggabungkan komponen-komponen berikut dari metode RLOB diusulkan dan metode obs b
erbasis Wedam dkk. berikut ini metode metodenya (2005): the robust modification
toward outliers (anomalies), exponential weighting in time, the semivariogram-de
fined neighborhood, and the regime-adaptive scheme.
Perpanjangan dari metode LOB mengacu pada penerapan metode variogram hanya untuk
stasiun penggunaan lahan sejenis dan elevasi, yang berpotensi harus memperpanja
ng korelasi lebih jauh dan secara signifikan meningkatkan metode.