វិធីសាស្ត្រព្យាករណ៍ភ្លៀង

global model forecast, corrected for one station using that station's own recorded readings.

ការព្យាករណ៍របស់ម៉ូដែលសកល ដែលកែតម្រូវសម្រាប់ស្ថានីយ៍មួយ ដោយប្រើការវាស់ដែលស្ថានីយ៍នោះបានកត់ត្រាផ្ទាល់។

Data behind a station's numbers

Open this page from the Custom Prediction tab to get the links for a station.

These are admin API endpoints. They open in the browser while you are signed in to the admin page.

1. Inputs

1. ទិន្នន័យបញ្ចូល

global model forecast: hourly temperature, humidity, wind, rain, solar radiation for the station's grid cell (table fc_hourly).
ការព្យាករណ៍របស់ម៉ូដែលសកល៖ សីតុណ្ហភាព សំណើម ខ្យល់ ភ្លៀង និងកាំរស្មីព្រះអាទិត្យ ប្រចាំម៉ោង សម្រាប់ក្រឡាក្រឡាចត្រង្គរបស់ស្ថានីយ៍ (តារាង fc_hourly)។
Station readings: the station's own hourly means from the database (obs_hourly), after the same sensor calibration the public map uses.
ការវាស់របស់ស្ថានីយ៍៖ មធ្យមប្រចាំម៉ោងផ្ទាល់របស់ស្ថានីយ៍ ពីមូលដ្ឋានទិន្នន័យ (obs_hourly) ក្រោយការក្រិតឧបករណ៍ចាប់សញ្ញា ដូចគ្នានឹងដែលផែនទីសាធារណៈប្រើ។
Pairing: temperature, humidity and wind are compared with the mean of the station's buckets for the hour before and the hour of the forecast time. Solar and rain are accumulated over the hour, so they use the bucket for the hour ending at that time. Wind is converted from km/h to m/s.
ការផ្គូផ្គង៖ សីតុណ្ហភាព សំណើម និងខ្យល់ ត្រូវប្រៀបធៀបជាមួយមធ្យមនៃប្រអប់ទិន្នន័យប្រចាំម៉ោងរបស់ស្ថានីយ៍ សម្រាប់ម៉ោងមុន និងម៉ោងនៃពេលព្យាករណ៍។ កាំរស្មីព្រះអាទិត្យ និងភ្លៀង ត្រូវបូកសរុបក្នុងមួយម៉ោង ដូច្នេះវាប្រើប្រអប់នៃម៉ោងដែលបញ្ចប់នៅពេលនោះ។ ខ្យល់ត្រូវបម្លែងពី គីឡូម៉ែត្រ/ម៉ោង ទៅ ម៉ែត្រ/វិនាទី។

2. Two kinds of correction

2. ការកែតម្រូវពីរប្រភេទ

Additive (temperature, humidity): the station reads a steady amount above or below the forecast.

បូក (សីតុណ្ហភាព សំណើម)៖ ស្ថានីយ៍អានខ្ពស់ ឬទាបជាងការព្យាករណ៍ ក្នុងចំនួនថេរមួយ។

residual  = observed − forecast             (mean over the paired hours)
corrected = forecast + bias

residual  = observed − forecast             (មធ្យមលើម៉ោងដែលបានផ្គូផ្គង)
corrected = forecast + bias

Ratio (wind, solar, rain): zero must stay zero, so the correction multiplies.

ផលធៀប (ខ្យល់ កាំរស្មីព្រះអាទិត្យ ភ្លៀង)៖ សូន្យត្រូវតែនៅសូន្យ ដូច្នេះការកែតម្រូវប្រើការគុណ។

ratio     = Σ observed / Σ forecast          (only hours where forecast ≥ a minimum)
corrected = forecast × ratio

ratio     = Σ observed / Σ forecast          (តែម៉ោងដែល forecast ≥ តម្លៃអប្បបរមាមួយ)
corrected = forecast × ratio

Results are kept inside physical limits (humidity 0–100, wind and rain ≥ 0, solar ≤ 1400 W/m²).

លទ្ធផលត្រូវរក្សាឱ្យនៅក្នុងដែនកំណត់រូបវិទ្យា (សំណើម 0–100 ខ្យល់ និងភ្លៀង ≥ 0 កាំរស្មីព្រះអាទិត្យ ≤ 1400 វ៉ាត់/ម៉ែត្រការ៉េ)។

3. Shrinking toward the network

3. ការទាញឆ្ពោះទៅរកបណ្តាញ

A few days of data can mislead, so each estimate is pulled toward the median of all stations. With n paired hours and K = 24:

ទិន្នន័យតែពីរបីថ្ងៃអាចនាំឱ្យយល់ខុស ដូច្នេះការប៉ាន់ស្មាននីមួយៗត្រូវទាញឆ្ពោះទៅរកមេដ្យាននៃស្ថានីយ៍ទាំងអស់។ ជាមួយម៉ោងដែលបានផ្គូផ្គង n និង K = 24៖

weight = n / (n + K)
bias   = weight × (this station's own estimate) + (1 − weight) × (network median)

weight = n / (n + K)
bias   = weight × (ការប៉ាន់ស្មានផ្ទាល់របស់ស្ថានីយ៍នេះ) + (1 − weight) × (មេដ្យាននៃបណ្តាញ)

For ratios the blend is done on the logarithm of the ratio. The median, not the mean, is used so one faulty sensor cannot drag the others.

សម្រាប់ផលធៀប ការលាយត្រូវធ្វើលើលោការីតនៃផលធៀប។ គេប្រើមេដ្យាន មិនមែនមធ្យមទេ ដើម្បីកុំឱ្យឧបករណ៍ចាប់សញ្ញាខូចមួយ ទាញឧបករណ៍ផ្សេងទៀតតាមវា។

4. Time-of-day bins (additive parameters)

4. ចន្លោះពេលនៃថ្ងៃ (ប៉ារ៉ាម៉ែត្របូក)

Once a station has at least 120 paired hours, the bias is estimated separately for four 6-hour periods (night, morning, afternoon, evening), each shrunk toward the station's overall bias with K = 12.

នៅពេលស្ថានីយ៍មួយមានម៉ោងដែលបានផ្គូផ្គងយ៉ាងហោចណាស់ 120 លម្អៀងត្រូវប៉ាន់ស្មានដាច់ដោយឡែក សម្រាប់ចន្លោះពេល 6 ម៉ោងចំនួនបួន (យប់ ព្រឹក រសៀល ល្ងាច) ដែលនីមួយៗត្រូវទាញឆ្ពោះទៅរកលម្អៀងរួមរបស់ស្ថានីយ៍ ជាមួយ K = 12។

5. Persistence of the latest reading

5. ការនៅជាប់នៃការវាស់ចុងក្រោយ

If the station is running above or below the corrected forecast right now, that gap usually lasts a while. The latest residual is added back and fades with lead time h hours:

ប្រសិនបើស្ថានីយ៍កំពុងអានខ្ពស់ ឬទាបជាងការព្យាករណ៍ដែលបានកែតម្រូវ នៅពេលនេះ គម្លាតនោះជាធម្មតានៅបន្តមួយរយៈ។ សំណល់ចុងក្រោយ (residual) ត្រូវបូកបញ្ចូលវិញ ហើយថយចុះបន្តិចម្តងៗ តាមរយៈពេលខាងមុខ h ម៉ោង៖

value(h) = corrected(h) + residual_now × exp(−h / τ)

τ is chosen per parameter by testing 1, 2, 3, 4, 6, 9, 12 hours on past data and keeping the best. Used for temperature, humidity and wind; not for solar or rain.

τ ត្រូវជ្រើសសម្រាប់ប៉ារ៉ាម៉ែត្រនីមួយៗ ដោយសាកល្បង 1, 2, 3, 4, 6, 9, 12 ម៉ោង លើទិន្នន័យកន្លងមក ហើយរក្សាតម្លៃដែលល្អបំផុត។ ប្រើសម្រាប់សីតុណ្ហភាព សំណើម និងខ្យល់ មិនប្រើសម្រាប់កាំរស្មីព្រះអាទិត្យ ឬភ្លៀងទេ។

6. Derived values

6. តម្លៃដែលគណនាបន្ត

Heat index (Rothfusz regression, in °F then converted; below 27 °C it is the plain temperature) and dew point (Magnus formula) are calculated from the predicted temperature and humidity, not predicted on their own.

សន្ទស្សន៍កំដៅ (តំរែតំរង់ Rothfusz គណនាជា °F រួចបម្លែង; ក្រោម 27 °C វាគឺសីតុណ្ហភាពធម្មតា) និងចំណុចទឹកសន្សើម (រូបមន្ត Magnus) ត្រូវគណនាពីសីតុណ្ហភាព និងសំណើមដែលបានព្យាករណ៍ មិនមែនព្យាករណ៍ដោយឡែកទេ។

dew point:  γ = ln(RH/100) + 17.625·T / (243.04 + T)
            Td = 243.04·γ / (17.625 − γ)

ចំណុចទឹកសន្សើម៖
  γ  = ln(RH/100) + 17.625·T / (243.04 + T)
  Td = 243.04·γ / (17.625 − γ)

7. Rain

7. ភ្លៀង

Rain is the hardest value. The ratio corrects the total volume, not whether it rains in a given hour. It is judged separately from the other values: by volume bias, and by detection scores (probability of detection, false alarm ratio, critical success index) with an hour counted wet at ≥ 0.2 mm and a day at ≥ 1 mm. With under 10 mm of observed rain no correction is learned, and the figure is labelled "not corrected".

ភ្លៀងជាតម្លៃដែលពិបាកបំផុត។ ផលធៀបកែតម្រូវបរិមាណសរុប មិនមែនថាតើភ្លៀងឬអត់ក្នុងម៉ោងណាមួយទេ។ វាត្រូវវាយតម្លៃដាច់ពីតម្លៃផ្សេងទៀត៖ តាមលម្អៀងនៃបរិមាណ និងតាមពិន្ទុនៃការរកឃើញ (ប្រូបាប៊ីលីតេនៃការរកឃើញ អត្រាព្រមានខុស សន្ទស្សន៍ជោគជ័យសំខាន់) ដោយម៉ោងមួយរាប់ថាសើមនៅ ≥ 0.2 ម.ម ហើយថ្ងៃមួយនៅ ≥ 1 ម.ម។ ប្រសិនបើភ្លៀងដែលវាស់បានតិចជាង 10 ម.ម គ្មានការកែតម្រូវត្រូវបានរៀនទេ ហើយតួលេខនោះមានស្លាក «មិនបានកែតម្រូវ» (not corrected)។

8. How "How good" is measured

8. របៀបវាស់ «ល្អប៉ុណ្ណា» (How good)

Walk-forward testing: for each past day, the model is fitted only on earlier days, then scored against what the station really recorded. Mean absolute error of the custom value is compared with raw global model; it must beat raw by more than 5% to be called better, or be worse by more than 5% to be called worse. Under 24 tested hours the verdict is marked provisional.

ការសាកល្បងដើរទៅមុខ (walk-forward)៖ សម្រាប់ថ្ងៃកន្លងមកនីមួយៗ ម៉ូដែលត្រូវរៀនតែពីថ្ងៃមុនៗប៉ុណ្ណោះ រួចដាក់ពិន្ទុធៀបនឹងអ្វីដែលស្ថានីយ៍បានកត់ត្រាពិតប្រាកដ។ កំហុសដាច់ខាតមធ្យម (MAE) នៃតម្លៃផ្ទាល់ខ្លួន ត្រូវប្រៀបធៀបជាមួយម៉ូដែលសកលដើម៖ វាត្រូវតែល្អជាងតម្លៃដើមលើស 5% ទើបហៅថាល្អជាង ឬអាក្រក់ជាងលើស 5% ទើបហៅថាអាក្រក់ជាង។ ប្រសិនបើម៉ោងដែលបានសាកល្បងតិចជាង 24 ការវិនិច្ឆ័យត្រូវសម្គាល់ថាបណ្តោះអាសន្ន។

9. Comparing several weather models

9. ការប្រៀបធៀបម៉ូដែលអាកាសធាតុច្រើន

The Custom Prediction page can score GFS, ECMWF IFS, ECMWF AIFS (AI), DWD ICON and Google WeatherNext 2 side by side against the same station readings. Each model's past forecast comes from global model; the measured value is the station's own hourly figure in the database. Only hours where every chosen model and the station have a value are scored.

ទំព័រការព្យាករណ៍ផ្ទាល់ខ្លួន (Custom Prediction) អាចដាក់ពិន្ទុ GFS, ECMWF IFS, ECMWF AIFS (AI), DWD ICON និង Google WeatherNext 2 ក្បែរគ្នា ធៀបនឹងការវាស់ដូចគ្នារបស់ស្ថានីយ៍។ ការព្យាករណ៍កន្លងមករបស់ម៉ូដែលនីមួយៗ មកពីប្រភពទិន្នន័យម៉ូដែលសកល; តម្លៃដែលវាស់បាន គឺតួលេខប្រចាំម៉ោងផ្ទាល់របស់ស្ថានីយ៍ក្នុងមូលដ្ឋានទិន្នន័យ។ មានតែម៉ោងដែលម៉ូដែលទាំងអស់ដែលបានជ្រើស និងស្ថានីយ៍ មានតម្លៃ ទើបត្រូវដាក់ពិន្ទុ។

bias = (1/n) Σ (f − o)          MAE = (1/n) Σ |f − o|          RMSE = √((1/n) Σ (f − o)²)
rain:  POD = H/(H+M)   FAR = FA/(H+FA)   CSI = H/(H+M+FA)      (wet hour = 0.2 mm or more)

bias = (1/n) Σ (f − o)          MAE = (1/n) Σ |f − o|          RMSE = √((1/n) Σ (f − o)²)
ភ្លៀង៖  POD = H/(H+M)   FAR = FA/(H+FA)   CSI = H/(H+M+FA)      (ម៉ោងសើម = 0.2 ម.ម ឡើងទៅ)

WeatherNext 2 provides temperature, wind and rain only, as the mean of 64 ensemble members. Its published research ancestors, GraphCast and GenCast, have open code and weights (non-commercial licence), but running them needs initial-condition data and GPU hardware this server does not have, which is why the global model feed is used instead.

WeatherNext 2 ផ្តល់តែសីតុណ្ហភាព ខ្យល់ និងភ្លៀងប៉ុណ្ណោះ ជាមធ្យមនៃសមាជិក 64 របស់ក្រុមព្យាករណ៍។ ម៉ូដែលស្រាវជ្រាវជំនាន់មុនរបស់វា ដែលបានបោះពុម្ពផ្សាយ GraphCast និង GenCast មានកូដ និងទម្ងន់ (weights) បើកចំហ (អាជ្ញាប័ណ្ណមិនមែនពាណិជ្ជកម្ម) ប៉ុន្តែការដំណើរការវាត្រូវការទិន្នន័យលក្ខខណ្ឌដំបូង និងផ្នែករឹង GPU ដែលម៉ាស៊ីនមេនេះមិនមាន ហេតុនេះហើយបានជាប្រើប្រភពទិន្នន័យម៉ូដែលសកលជំនួសវិញ។

10. Chance of rain from the station's own history, and how it learns

10. ឱកាសភ្លៀងពីប្រវត្តិផ្ទាល់របស់ស្ថានីយ៍ និងរបៀបដែលវារៀន

the global model's chance of rain describes a grid cell about 10 km wide. The map's Chance of rain · this station's own history card answers the same question from what the rain gauge at the station has recorded over years. An hour is wet when the gauge measured at least 0.2 mm in it (some stations report only a since-midnight total, so their hourly rain is its rise).

ឱកាសភ្លៀងរបស់ម៉ូដែលសកល ពិពណ៌នាក្រឡាក្រឡាចត្រង្គមួយ ដែលទទឹងប្រហែល 10 គីឡូម៉ែត្រ។ កាត ឱកាសភ្លៀង · ប្រវត្តិផ្ទាល់របស់ស្ថានីយ៍នេះ លើផែនទី ឆ្លើយសំណួរដដែល ពីអ្វីដែលឧបករណ៍វាស់ភ្លៀងនៅស្ថានីយ៍បានកត់ត្រាជាច្រើនឆ្នាំ។ ម៉ោងមួយសើម នៅពេលឧបករណ៍វាស់ភ្លៀង វាស់បានយ៉ាងហោចណាស់ 0.2 ម.ម ក្នុងម៉ោងនោះ (ស្ថានីយ៍ខ្លះរាយការណ៍តែចំនួនសរុបតាំងពីកណ្តាលអធ្រាត្រ ដូច្នេះភ្លៀងប្រចាំម៉ោងរបស់វា គឺការកើនឡើងនៃចំនួនសរុបនោះ)។

Step 1 – climatology. The share of wet hours for each month and hour of day (Phnom Penh time), pooled with the neighbouring months and hours and pulled toward the station's overall rate with K = 25 pseudo-hours.

ជំហានទី 1 – អត្រាធម្មតា (climatology)។ ចំណែកម៉ោងសើម សម្រាប់ខែនីមួយៗ និងម៉ោងនីមួយៗនៃថ្ងៃ (ម៉ោងភ្នំពេញ) ដែលបូកបញ្ចូលជាមួយខែ និងម៉ោងជិតខាង ហើយទាញឆ្ពោះទៅរកអត្រារួមរបស់ស្ថានីយ៍ ជាមួយ K = 25 ម៉ោងសន្មត។

Step 2 – the state now. Whether it rained in the last hour, earlier in the last three hours, and whether the air is dry, humid or very humid. Each combination shifts the climatology by a log-odds lift learned for each lead time, shrunk toward zero with K = 40 pseudo-cases where the history has few examples.

ជំហានទី 2 – ស្ថានភាពឥឡូវ។ ថាតើមានភ្លៀងក្នុងមួយម៉ោងចុងក្រោយ ឬមុននោះក្នុងបីម៉ោងចុងក្រោយ ហើយថាតើខ្យល់អាកាសស្ងួត សើម ឬសើមខ្លាំង។ បន្សំនីមួយៗរំកិលអត្រាធម្មតា ដោយការរំកិល lift ជាលោការីតហាងឆេង (log-odds) ដែលរៀនសម្រាប់រយៈពេលខាងមុខនីមួយៗ ហើយទាញឆ្ពោះទៅរកសូន្យ ជាមួយ K = 40 ករណីសន្មត នៅកន្លែងដែលប្រវត្តិមានឧទាហរណ៍តិច។

raw chance = 1 / (1 + e^{−(logit(climatology) + lift(state, lead))})        logit(p) = ln(p / (1 − p))

Step 3 – keeping track and learning. Every hour the system saves the chance it issued for the next 1, 2 and 6 hours, together with the global model's chance for the same hours. Once those hours have passed and been measured, the outcome (rain / no rain) is stored beside the prediction. These saved predictions are grouped into ten probability bins (0–10 %, 10–20 %, …) to form a reliability table: when the model said 30 %, how often did it really rain at this station? The next prediction is then corrected to that observed frequency:

ជំហានទី 3 – តាមដាន និងរៀន។ រៀងរាល់ម៉ោង ប្រព័ន្ធរក្សាទុកឱកាសដែលវាបានចេញ សម្រាប់ 1, 2 និង 6 ម៉ោងខាងមុខ រួមជាមួយ ឱកាសរបស់ម៉ូដែលសកល សម្រាប់ម៉ោងដដែល។ នៅពេលម៉ោងទាំងនោះកន្លងផុត ហើយត្រូវបានវាស់ លទ្ធផល (ភ្លៀង / គ្មានភ្លៀង) ត្រូវរក្សាទុកក្បែរការព្យាករណ៍។ ការព្យាករណ៍ដែលបានរក្សាទុកទាំងនេះ ត្រូវដាក់ជាក្រុមក្នុងចន្លោះប្រូបាប៊ីលីតេដប់ (0–10 %, 10–20 %, …) ដើម្បីបង្កើត តារាងភាពជឿជាក់ (reliability table)៖ ពេលម៉ូដែលនិយាយ 30 % តើភ្លៀងពិតប្រាកដញឹកញាប់ប៉ុណ្ណានៅស្ថានីយ៍នេះ? បន្ទាប់មក ការព្យាករណ៍បន្ទាប់ ត្រូវកែតម្រូវឱ្យត្រូវនឹងប្រេកង់ដែលបានឃើញនោះ៖

learned chance = ( wet_bin + K_cal · raw ) / ( n_bin + K_cal )       K_cal = 20

where n_bin and wet_bin count the past predictions in the same bin, from two sources added together: the walk-forward test on the last 60 days of history (so the correction starts working at once), and the predictions tracked live over the last 120 days. A bin with few cases stays close to the raw value; a well-populated one is trusted. A model that was over-confident (said 70 %, rained 40 % of the time) is therefore pulled down, and an under-confident one pulled up, and the card shows how many predictions have been checked, the share that were right, and the critical success index beside the global model's.

ដែល n_bin និង wet_bin រាប់ការព្យាករណ៍កន្លងមកក្នុងចន្លោះដដែល ពីប្រភពពីរបូកបញ្ចូលគ្នា៖ ការសាកល្បងដើរទៅមុខ (walk-forward) លើប្រវត្តិ 60 ថ្ងៃចុងក្រោយ (ដូច្នេះការកែតម្រូវចាប់ផ្តើមដំណើរការភ្លាម) និងការព្យាករណ៍ដែលបានតាមដានផ្ទាល់ ក្នុងរយៈពេល 120 ថ្ងៃចុងក្រោយ។ ចន្លោះដែលមានករណីតិច នៅជិតតម្លៃដើម (raw); ចន្លោះដែលមានករណីច្រើន ត្រូវបានទុកចិត្ត។ ដូច្នេះ ម៉ូដែលដែលជឿជាក់លើខ្លួនឯងលើសពេក (និយាយ 70 % តែភ្លៀងពិត 40 % នៃពេលវេលា) ត្រូវទាញចុះ ហើយម៉ូដែលដែលជឿជាក់លើខ្លួនឯងតិចពេក ត្រូវទាញឡើង ហើយកាតបង្ហាញចំនួនការព្យាករណ៍ដែលបានពិនិត្យ ចំណែកដែលត្រូវ និងសន្ទស្សន៍ជោគជ័យសំខាន់ (CSI) ក្បែរតម្លៃរបស់ម៉ូដែលសកល។

Step 4 – plus what the satellites and the radar see now; shown beside the global model, not blended with it. The headline chance on the card is the station's own calibrated figure from Step 3 (station_learned), moved by what GK2A, JMA and Cambodia Meteo's radar saw over the station in the latest 60 minutes (section 12), as a log-odds lift learned from our own gauges:

ជំហានទី 4 – បូកនឹងអ្វីដែលផ្កាយរណប និងរ៉ាដាឃើញឥឡូវ; បង្ហាញក្បែរម៉ូដែលសកល មិនលាយជាមួយវាទេ។ ឱកាសធំនៅលើកាត គឺតួលេខដែលបានក្រិតផ្ទាល់របស់ស្ថានីយ៍ពីជំហានទី 3 (station_learned) ដែលរំកិលដោយអ្វីដែល GK2A, JMA និងរ៉ាដា Cambodia Meteo បានឃើញលើស្ថានីយ៍ក្នុង 60 នាទីចុងក្រោយ (ផ្នែកទី 12) ជាការរំកិលលោការីតហាងឆេង ដែលរៀនពីឧបករណ៍វាស់ភ្លៀងរបស់យើងផ្ទាល់៖

combined = σ( logit(station_learned) + lift_sources )      next 1 h and next 2 h; the 6-hour window is station_learned alone

combined = σ( logit(station_learned) + lift_sources )      1 ម៉ោង និង 2 ម៉ោងខាងមុខ; រយៈពេល 6 ម៉ោង គឺ station_learned តែម្នាក់ឯង

Nothing from the global model is folded into it. An earlier version of this page described a weighted blend here (by default 80 % global model, 20 % station history, kv key rain_w_om). That blending was removed at the operator's request: a single pre-mixed number hid how far apart the station's own record and the global model's grid forecast actually were. the global model's own chance (OM_learned, passed through the same reliability table as in Step 3) is still fetched, still calibrated, and still shown right beside the station figure — in the boxes, and as the orange dots on the chart — precisely so the two can be compared and judged by eye, station against model, hour by hour. The underlying weighting code (trust_om, kv key rain_w_om) is still in the module for reference but is no longer read when building the card.

គ្មានអ្វីពីម៉ូដែលសកល ត្រូវបានបញ្ចូលក្នុងវាទេ។ កំណែមុនរបស់ទំព័រនេះ បានពិពណ៌នាការលាយដោយទម្ងន់នៅទីនេះ (តាមលំនាំដើម ម៉ូដែលសកល 80 % ប្រវត្តិស្ថានីយ៍ 20 % គន្លឹះ kv rain_w_om)។ ការលាយនោះត្រូវបានដកចេញ តាមសំណើរបស់អ្នកគ្រប់គ្រងប្រព័ន្ធ៖ លេខតែមួយដែលលាយរួចជាមុន បានលាក់ថា កំណត់ត្រាផ្ទាល់របស់ស្ថានីយ៍ និងការព្យាករណ៍តាមក្រឡាក្រឡាចត្រង្គរបស់ម៉ូដែលសកល ពិតជាខុសគ្នាឆ្ងាយប៉ុណ្ណា។ ឱកាសផ្ទាល់របស់ម៉ូដែលសកល (OM_learned ដែលឆ្លងកាត់ តារាងភាពជឿជាក់ដូចគ្នានឹងជំហានទី 3) នៅតែត្រូវទាញយក នៅតែត្រូវក្រិត ហើយនៅតែបង្ហាញនៅក្បែរតួលេខស្ថានីយ៍ — ក្នុងប្រអប់ និងជាចំណុចពណ៌ទឹកក្រូចលើដ្យាក្រាម — គឺដើម្បីឱ្យអាចប្រៀបធៀប និងវិនិច្ឆ័យទាំងពីរដោយភ្នែក ស្ថានីយ៍ធៀបនឹងម៉ូដែល ម៉ោងម្តងៗ។ កូដទម្ងន់ដែលនៅពីក្រោយ (trust_om គន្លឹះ kv rain_w_om) នៅតែមានក្នុងម៉ូឌុល សម្រាប់ជាឯកសារយោង ប៉ុន្តែលែងត្រូវបាន អាននៅពេលបង្កើតកាតទៀតហើយ។

Scoring. Fitting uses history up to a cutoff and judging uses the days after it, so a result is never measured on data it was fitted on. The Brier score, B = (1/n) Σ (p − o)² (lower is better), measures probabilities; the global model's value here is a yes/no call, so POD, FAR and CSI (section 9) are the fair like-for-like comparison. the global model's archived forecast is close to its analysis, which flatters it; the live tracking record is the honest test.

ការដាក់ពិន្ទុ។ ការរៀនប្រើប្រវត្តិរហូតដល់ថ្ងៃកាត់មួយ ហើយការវិនិច្ឆ័យប្រើថ្ងៃក្រោយនោះ ដូច្នេះលទ្ធផលមិនដែលត្រូវវាស់ លើទិន្នន័យដែលវាបានរៀនពីនោះទេ។ ពិន្ទុ Brier B = (1/n) Σ (p − o)² (កាន់តែទាប កាន់តែល្អ) វាស់ប្រូបាប៊ីលីតេ; តម្លៃរបស់ម៉ូដែលសកលនៅទីនេះ គឺការសម្រេចថា ភ្លៀង ឬមិនភ្លៀង ដូច្នេះ POD, FAR និង CSI (ផ្នែកទី 9) គឺជាការប្រៀបធៀបដ៏យុត្តិធម៌ ដែលប្រៀបធៀបរបស់ប្រភេទដូចគ្នា។ ការព្យាករណ៍ដែលបានរក្សាទុករបស់ម៉ូដែលសកល នៅជិតការវិភាគ (analysis) របស់វា ដែលធ្វើឱ្យវាមើលទៅល្អជាងការពិត; កំណត់ត្រាតាមដានផ្ទាល់ គឺជាការសាកល្បងដ៏ស្មោះត្រង់។

Stations left out. A rain gauge that is missing or not credible is ignored: no model is fitted for it, none of its hours enter the combined-chance tests, and the card is not shown. Checked daily over the last 90 days, a gauge is ignored when it never reported rain, has stopped reporting (under 500 hours), recorded no rain at all while global model forecast rain on at least 15 hours, or its wet hours are under 0.15× or over 5× the median ratio of gauge-wet to forecast-wet hours across stations. The reason is listed under “check a sensor” for that station (section 11), so the instrument can be inspected.

ស្ថានីយ៍ដែលមិនរាប់បញ្ចូល។ ឧបករណ៍វាស់ភ្លៀងដែលបាត់ ឬមិនគួរឱ្យទុកចិត្ត មិនត្រូវបានយកមកប្រើទេ៖ គ្មានម៉ូដែលត្រូវរៀនសម្រាប់វាទេ គ្មានម៉ោងណាមួយរបស់វា ចូលក្នុងការសាកល្បងឱកាសរួមបញ្ចូលទេ ហើយកាតមិនត្រូវបង្ហាញទេ។ ដោយពិនិត្យរៀងរាល់ថ្ងៃលើ 90 ថ្ងៃចុងក្រោយ ឧបករណ៍វាស់ភ្លៀងមួយមិនត្រូវយកមកប្រើ នៅពេលវាមិនដែល រាយការណ៍ភ្លៀង បានឈប់រាយការណ៍ (តិចជាង 500 ម៉ោង) មិនបានកត់ត្រាភ្លៀងសោះ ខណៈម៉ូដែលសកលព្យាករណ៍ភ្លៀងយ៉ាងហោចណាស់ 15 ម៉ោង ឬម៉ោងសើមរបស់វា តិចជាង 0.15× ឬលើស 5× នៃមេដ្យាននៃផលធៀប (ម៉ោងសើមនៅឧបករណ៍វាស់ភ្លៀង ÷ ម៉ោងសើមក្នុងការព្យាករណ៍) ទូទាំងស្ថានីយ៍។ មូលហេតុត្រូវរាយ ក្រោម «ពិនិត្យឧបករណ៍ចាប់សញ្ញា» (check a sensor) សម្រាប់ស្ថានីយ៍នោះ (ផ្នែកទី 11) ដើម្បីឱ្យអាចពិនិត្យឧបករណ៍បាន។

Limits: it knows habits (afternoon thunder clouds, the wet season, “it is raining now”), not tomorrow's weather system, so it is expected to do best in the next hour or two and to lose further out. It starts only for stations with enough rain history.

ដែនកំណត់៖ វាស្គាល់ទម្លាប់ (ពពកផ្គររន្ទះពេលរសៀល រដូវវស្សា «ឥឡូវកំពុងភ្លៀង») មិនមែនប្រព័ន្ធអាកាសធាតុនៃថ្ងៃស្អែកទេ ដូច្នេះវាត្រូវបាន រំពឹងថាល្អបំផុតក្នុងមួយ ឬពីរម៉ោងខាងមុខ ហើយចុះខ្សោយនៅរយៈពេលឆ្ងាយជាងនោះ។ វាចាប់ផ្តើមតែសម្រាប់ស្ថានីយ៍ដែលមានប្រវត្តិភ្លៀងគ្រប់គ្រាន់ប៉ុណ្ណោះ។

11. Tracking every prediction, learning per station, and watching the sensors

11. ការតាមដានរាល់ការព្យាករណ៍ ការរៀនតាមស្ថានីយ៍នីមួយៗ និងការឃ្លាំមើលឧបករណ៍ចាប់សញ្ញា

Everything in sections 2–7 is learned from archived forecasts, once a day. A second loop runs while the system is live, for every station and every value (temperature, humidity, wind, solar radiation; rain has its own tracker, section 10):

អ្វីៗទាំងអស់ក្នុងផ្នែកទី 2–7 ត្រូវរៀនពីការព្យាករណ៍ដែលបានរក្សាទុក ម្តងក្នុងមួយថ្ងៃ។ រង្វិលទីពីរដំណើរការខណៈប្រព័ន្ធកំពុងដំណើរការផ្ទាល់ សម្រាប់គ្រប់ស្ថានីយ៍ និងគ្រប់តម្លៃ (សីតុណ្ហភាព សំណើម ខ្យល់ កាំរស្មីព្រះអាទិត្យ; ភ្លៀងមានការតាមដានដាច់ដោយឡែករបស់វា ផ្នែកទី 10)៖

Track. Every hour the global model value and the custom value predicted for 1, 3, 6, 12 and 24 hours ahead are saved.
តាមដាន។ រៀងរាល់ម៉ោង តម្លៃម៉ូដែលសកល និងតម្លៃផ្ទាល់ខ្លួន ដែលបានព្យាករណ៍សម្រាប់ 1, 3, 6, 12 និង 24 ម៉ោងខាងមុខ ត្រូវរក្សាទុក។
Resolve. Once that hour has passed and its hourly rollup is complete, the station's measured value is stored beside it, using the same alignment as section 1 (an instantaneous value is the mean of the two surrounding hourly buckets, a preceding-hour total is the bucket before).
ផ្ទៀងផ្ទាត់។ នៅពេលម៉ោងនោះកន្លងផុត ហើយការសរុបប្រចាំម៉ោងរបស់វាបានពេញលេញ តម្លៃដែលស្ថានីយ៍វាស់បាន ត្រូវរក្សាទុកក្បែរវា ដោយប្រើការតម្រឹមដូចផ្នែកទី 1 (តម្លៃភ្លាមៗ គឺមធ្យមនៃប្រអប់ទិន្នន័យប្រចាំម៉ោងពីរដែលនៅសងខាង ចំណែកចំនួនសរុបនៃម៉ោងមុន គឺប្រអប់មុននោះ)។
Learn. For each station, value and lead time the last 30 days of scored predictions give a further correction, shrunk toward “no change” by K = 24 pseudo-cases and used only from 12 cases:
រៀន។ សម្រាប់ស្ថានីយ៍ តម្លៃ និងរយៈពេលខាងមុខនីមួយៗ ការព្យាករណ៍ដែលបានដាក់ពិន្ទុក្នុង 30 ថ្ងៃចុងក្រោយ ផ្តល់ការកែតម្រូវបន្ថែម ដែលទាញឆ្ពោះទៅរក «គ្មានការផ្លាស់ប្តូរ» ដោយ K = 24 ករណីសន្មត ហើយប្រើតែចាប់ពី 12 ករណីឡើងទៅ៖

additive (temperature, humidity):   adjusted = custom + n/(n+K) · mean(measured − custom)
ratio (wind, solar):                adjusted = custom × (Σmeasured + K·m) / (Σcustom + K·m)     m = mean(custom), ratio limited to 0.5 – 2

បូក (សីតុណ្ហភាព សំណើម)៖
    adjusted = custom + n/(n+K) · mean(measured − custom)
ផលធៀប (ខ្យល់ កាំរស្មីព្រះអាទិត្យ)៖
    adjusted = custom × (Σmeasured + K·m) / (Σcustom + K·m)     m = mean(custom), ផលធៀបកំណត់ត្រឹម 0.5 – 2

This is what lets a station whose sensor reads a little high or low, or is shaded or sheltered, be predicted in its own terms: the correction comes from that station's own record. The result is limited to the physically possible range, and the page draws it as the “Learned from tracking” line beside the custom prediction.

នេះហើយដែលធ្វើឱ្យស្ថានីយ៍ដែលឧបករណ៍ចាប់សញ្ញារបស់វាអានខ្ពស់ ឬទាបបន្តិច ឬស្ថិតនៅក្រោមម្លប់ ឬនៅកន្លែងបាំងខ្យល់ អាចត្រូវបានព្យាករណ៍តាមលក្ខណៈផ្ទាល់របស់វា៖ ការកែតម្រូវមកពីកំណត់ត្រាផ្ទាល់របស់ស្ថានីយ៍នោះ។ លទ្ធផលត្រូវកំណត់ក្នុងជួរដែលអាចទៅរួចតាមរូបវិទ្យា ហើយទំព័រគូរវាជាបន្ទាត់ «រៀនពីការតាមដាន» (Learned from tracking) ក្បែរការព្យាករណ៍ផ្ទាល់ខ្លួន។

Watching the sensors. A correction must not hide a broken instrument, so the same record is used to raise a flag. Over the last 7 days a station's mean error against the raw global model value is compared with the median of all stations, because a bias shared by the whole network belongs to the model, not to one sensor. A station is marked “check a sensor” when its error differs from the network median by 3 °C (temperature) or 15 points (humidity), when its wind or solar ratio is under 0.25× or over 4× (wind), or under 0.4× or over 2.5× (solar) of the network's, or when a value has not changed at all for 48 hours although the model moved. A flag is a reason to inspect the instrument, not a verdict; it needs at least 5 stations to define “normal”.

ការឃ្លាំមើលឧបករណ៍ចាប់សញ្ញា។ ការកែតម្រូវមិនត្រូវលាក់ឧបករណ៍ដែលខូចទេ ដូច្នេះកំណត់ត្រាដដែលត្រូវប្រើ ដើម្បីលើកទង់សម្គាល់។ ក្នុង 7 ថ្ងៃចុងក្រោយ កំហុសមធ្យមរបស់ស្ថានីយ៍មួយ ធៀបនឹងតម្លៃម៉ូដែលសកលដើម ត្រូវប្រៀបធៀបជាមួយមេដ្យាននៃស្ថានីយ៍ទាំងអស់ ព្រោះលម្អៀងដែលបណ្តាញ ទាំងមូលមានដូចគ្នា ជារបស់ម៉ូដែល មិនមែនរបស់ឧបករណ៍ចាប់សញ្ញាមួយទេ។ ស្ថានីយ៍មួយត្រូវសម្គាល់ថា «ពិនិត្យឧបករណ៍ចាប់សញ្ញា» (check a sensor) នៅពេលកំហុសរបស់វា ខុសពីមេដ្យាននៃបណ្តាញ 3 °C (សីតុណ្ហភាព) ឬ 15 ពិន្ទុ (សំណើម) នៅពេលផលធៀបខ្យល់ ឬកាំរស្មីព្រះអាទិត្យរបស់វា តិចជាង 0.25× ឬលើស 4× (ខ្យល់) ឬតិចជាង 0.4× ឬលើស 2.5× (កាំរស្មីព្រះអាទិត្យ) នៃផលធៀបរបស់បណ្តាញ ឬនៅពេលតម្លៃមួយមិនបានផ្លាស់ប្តូរសោះរយៈពេល 48 ម៉ោង ទោះបីម៉ូដែលបានប្រែប្រួលក៏ដោយ។ ទង់សម្គាល់ គឺជាហេតុផលដើម្បីពិនិត្យឧបករណ៍ មិនមែនជាការវិនិច្ឆ័យទេ; វាត្រូវការស្ថានីយ៍យ៉ាងហោចណាស់ 5 ដើម្បីកំណត់ «ធម្មតា»។

12. What GK2A, JMA and Cambodia Meteo's radar see over the station

12. អ្វីដែល GK2A, JMA និងរ៉ាដា Cambodia Meteo ឃើញលើស្ថានីយ៍

Since 18 October 2026 the station chance takes three live sources, all on the same 2 km squares (0.02°): GK2A's rain rate from KMA, JMA Himawari-9's heavy-rain areas and likely-rain band, and Cambodia Meteo's Phnom Penh radar (CAPPI 480 km from Cambodia Meteo's radar server). From its pictures of the latest 60 minutes each says rain when any of them shows rain within about 2 km of the station (GK2A 1 mm/h or more, the radar any echo of 13 dBZ or more, JMA a heavy-rain area or its likely-rain band), none, or nothing when it has no picture there — the same rule as the rain comparison (/rain-compare, /check).

ចាប់តាំងពីថ្ងៃទី 18 តុលា 2026 ឱកាសស្ថានីយ៍យកប្រភពផ្ទាល់បី ទាំងអស់នៅលើការ៉េ 2 គីឡូម៉ែត្រ ដូចគ្នា (0.02°)៖ អត្រាភ្លៀងរបស់ GK2A ពី KMA តំបន់ភ្លៀងខ្លាំង និងកម្រិតទំនងភ្លៀងរបស់ JMA Himawari-9 និងរ៉ាដាភ្នំពេញរបស់ Cambodia Meteo (CAPPI 480 គីឡូម៉ែត្រ ពីម៉ាស៊ីនមេរ៉ាដារបស់ Cambodia Meteo)។ ពីរូបភាពរបស់វាក្នុង 60 នាទីចុងក្រោយ ប្រភពនីមួយៗនិយាយថា ភ្លៀង នៅពេលរូបណាមួយបង្ហាញភ្លៀងក្នុងចម្ងាយប្រហែល 2 គីឡូម៉ែត្រ ពីស្ថានីយ៍ (GK2A 1 ម.ម/ម៉ោង ឡើងទៅ រ៉ាដា សញ្ញាណាមួយចាប់ពី 13 dBZ ឡើងទៅ JMA តំបន់ភ្លៀងខ្លាំង ឬកម្រិតទំនងភ្លៀងរបស់វា) គ្មាន ឬមិននិយាយអ្វីសោះ នៅពេលវាគ្មាន រូបនៅទីនោះ — ច្បាប់ដូចគ្នានឹងការប្រៀបធៀបភ្លៀង (/rain-compare, /check)។

Weights learned from the gauges. Every station-hour the comparison has stored (since May 2026) is joined with what the gauge measured in the next hour and the next two. A logistic regression per window and per set of sources present (all three, the radar and GK2A, GK2A and JMA, GK2A alone) learns how much each source's rain or none moves the odds, with the gauge's own rain in that hour as an input too, so “it is raining at the gauge” (already in the station history) is not counted twice:

ទម្ងន់ដែលរៀនពីឧបករណ៍វាស់ភ្លៀង។ រាល់ម៉ោងស្ថានីយ៍ ដែលការប្រៀបធៀបបានរក្សាទុក (តាំងពីខែឧសភា 2026) ត្រូវភ្ជាប់ជាមួយអ្វីដែលឧបករណ៍វាស់ភ្លៀង បានវាស់ក្នុងម៉ោងបន្ទាប់ និងពីរម៉ោងបន្ទាប់។ តំរែតំរង់ឡូជីស្ទិកមួយ សម្រាប់រយៈពេលនីមួយៗ និងសម្រាប់សំណុំប្រភពដែលមាននីមួយៗ (ទាំងបី រ៉ាដា និង GK2A, GK2A និង JMA, GK2A តែម្នាក់ឯង) រៀនថា ភ្លៀង ឬ គ្មាន របស់ប្រភពនីមួយៗ រំកិលហាងឆេងប៉ុណ្ណា ដោយមានភ្លៀងផ្ទាល់របស់ឧបករណ៍វាស់ភ្លៀង ក្នុងម៉ោងនោះជាទិន្នន័យបញ្ចូលផងដែរ ដូច្នេះ «កំពុងភ្លៀងនៅឧបករណ៍វាស់ភ្លៀង» (ដែលមានក្នុងប្រវត្តិស្ថានីយ៍រួចហើយ) មិនត្រូវរាប់ពីរដងទេ៖

logit P(rain at the gauge in the next hour) = b₀ + b_gauge·wet_now + Σ_s b_s·seen_s
lift_sources = Σ_s b_s · (seen_s − average_s)      limited to −2 … +3 in log-odds

logit P(ភ្លៀងនៅឧបករណ៍វាស់ភ្លៀងក្នុងម៉ោងបន្ទាប់) = b₀ + b_gauge·wet_now + Σ_s b_s·seen_s
lift_sources = Σ_s b_s · (seen_s − average_s)      កំណត់ត្រឹម −2 … +3 ជាលោការីតហាងឆេង

The average is how often that source saw rain in the stored hours with the gauge in the same state (raining or not), so on an ordinary hour the lift is about zero and the station's own calibrated figure stands; the pattern counts are fitted exactly, every stored hour used.

តម្លៃមធ្យម (average) គឺភាពញឹកញាប់ដែលប្រភពនោះបានឃើញភ្លៀង ក្នុងម៉ោងដែលបានរក្សាទុក ខណៈឧបករណ៍វាស់ភ្លៀងស្ថិតក្នុងស្ថានភាពដូចគ្នា (កំពុងភ្លៀង ឬមិនភ្លៀង) ដូច្នេះនៅម៉ោងធម្មតា ការរំកិល (lift) ប្រហែលសូន្យ ហើយតួលេខដែលបានក្រិតផ្ទាល់របស់ស្ថានីយ៍នៅដដែល; ចំនួននៃលំនាំនីមួយៗត្រូវរៀនយ៉ាងពិតប្រាកដ ដោយប្រើ គ្រប់ម៉ោងដែលបានរក្សាទុក។

So the sources push the chance up when they see rain over the station and down when none of them does, by what the gauges say that was worth. The models are refitted daily and whenever the radar's history is read again (app/srcnow.py, kv srcnow_model); the card lists what each source saw and how many points it moved the next hour, and rain_track.sat_lift keeps those points with every tracked prediction so their real contribution can be checked.

ដូច្នេះ ប្រភពទាំងនោះរុញឱកាសឡើង នៅពេលវាឃើញភ្លៀងលើស្ថានីយ៍ ហើយរុញចុះ នៅពេលគ្មានប្រភពណាមួយឃើញ តាមទម្ងន់ដែលឧបករណ៍វាស់ភ្លៀងបង្ហាញថា វាសមនឹងទទួល។ ម៉ូដែលទាំងនោះត្រូវរៀនឡើងវិញរៀងរាល់ថ្ងៃ និងរាល់ពេលដែលប្រវត្តិរ៉ាដាត្រូវបានអានម្តងទៀត (app/srcnow.py, kv srcnow_model); កាតរាយថាប្រភពនីមួយៗបានឃើញអ្វី និងបានរំកិលម៉ោងបន្ទាប់ប៉ុន្មានពិន្ទុ ហើយ rain_track.sat_lift រក្សាពិន្ទុទាំងនោះជាមួយរាល់ការព្យាករណ៍ដែលបានតាមដាន ដើម្បីឱ្យអាចពិនិត្យការរួមចំណែកពិតរបស់វាបាន។

Until 18 October 2026 this was a fixed rule: the infrared brightness overhead on the older infrared picture (at most +12 points) and the rain layer's echo, both only upwards.

រហូតដល់ថ្ងៃទី 18 តុលា 2026 នេះជាច្បាប់ថេរមួយ៖ ពន្លឺអ៊ីនហ្វ្រារ៉េដពីលើស្ថានីយ៍ នៅលើរូបអ៊ីនហ្វ្រារ៉េដចាស់ (យ៉ាងច្រើន +12 ពិន្ទុ) និងសញ្ញានៃស្រទាប់ភ្លៀង ទាំងពីររំកិលតែឡើងប៉ុណ្ណោះ។

Cloud motion ("air direction"). A single, whole-region estimate of which way the cloud layer is moving, from the pixel shift between this frame and the previous one that makes the two line up best (a coarse block search, not per-pixel optical flow). This is motion of the cloud top at altitude, not a surface wind reading, and its confidence is reported alongside it.

ចលនាពពក («ទិសដៅខ្យល់»)។ ការប៉ាន់ស្មានតែមួយសម្រាប់តំបន់ទាំងមូល ថាស្រទាប់ពពកកំពុងផ្លាស់ទីទៅទិសណា ពីការរំកិលភីកសែល រវាងរូបនេះ និងរូបមុន ដែលធ្វើឱ្យរូបទាំងពីរត្រួតគ្នាល្អបំផុត (ការស្វែងរកតាមប្លុកធំៗ មិនមែនលំហូរអុបទិកតាមភីកសែលនីមួយៗទេ)។ នេះជា ចលនានៃកំពូលពពកនៅលើកម្ពស់ មិនមែនការអានខ្យល់នៅលើដីទេ ហើយកម្រិតជឿជាក់របស់វាត្រូវរាយការណ៍ជាមួយផង។

Permanent record. rain_seen keeps what each source saw at every gauge, every hour since May 2026, and obs_hourly what the gauge measured: the weights above are learned from exactly these, the same reliability idea already used for the station history and for the global model's own chance (section 10). rain_track.sat_lift records the points the sources added or took away on each tracked prediction, and the track record lists how often it really rained in the hours they moved the chance up and in those they moved it down.

កំណត់ត្រាអចិន្ត្រៃយ៍។ rain_seen រក្សាអ្វីដែលប្រភពនីមួយៗបានឃើញ នៅគ្រប់ឧបករណ៍វាស់ភ្លៀង រៀងរាល់ម៉ោង តាំងពីខែឧសភា 2026 ហើយ obs_hourly រក្សាអ្វីដែលឧបករណ៍វាស់ភ្លៀងបានវាស់៖ ទម្ងន់ខាងលើត្រូវរៀនពីទិន្នន័យទាំងនេះយ៉ាងពិតប្រាកដ ដែលជាគំនិតភាពជឿជាក់ដូចគ្នា ដែលប្រើរួចហើយ សម្រាប់ប្រវត្តិស្ថានីយ៍ និងសម្រាប់ឱកាសផ្ទាល់របស់ម៉ូដែលសកល (ផ្នែកទី 10)។ rain_track.sat_lift កត់ត្រាពិន្ទុ ដែលប្រភពបានបន្ថែម ឬដកចេញ លើការព្យាករណ៍ដែលបានតាមដាននីមួយៗ ហើយកំណត់ត្រាតាមដានរាយថា តើភ្លៀងពិតញឹកញាប់ប៉ុណ្ណា ក្នុងម៉ោងដែលវា រំកិលឱកាសឡើង និងក្នុងម៉ោងដែលវារំកិលចុះ។

References

ឯកសារយោង

Physics models (GFS, ECMWF IFS, DWD ICON) solve the equations of air motion, heat and moisture on a grid; AI models (ECMWF AIFS, WeatherNext 2) learn the step-to-step change of the atmosphere from past weather.

ម៉ូដែលរូបវិទ្យា (GFS, ECMWF IFS, DWD ICON) ដោះស្រាយសមីការនៃចលនាខ្យល់ កំដៅ និងសំណើម នៅលើក្រឡាចត្រង្គ; ម៉ូដែល AI (ECMWF AIFS, WeatherNext 2) រៀនការប្រែប្រួលនៃបរិយាកាសពីជំហានមួយទៅជំហានមួយ ពីអាកាសធាតុកន្លងមក។

NOAA EMC – Global Forecast System
ECMWF IFS documentation and data assimilation (4D-Var)
ឯកសារ ECMWF IFS និង ការបញ្ចូលទិន្នន័យសង្កេតទៅក្នុងម៉ូដែល (4D-Var)
AIFS – ECMWF's data-driven forecasting system
DWD ICON model description
ការពិពណ៌នាម៉ូដែល DWD ICON
Google WeatherNext, GraphCast, GenCast
Bates, J. M. and Granger, C. W. J. (1969), The combination of forecasts, Operational Research Quarterly 20(4)
Clemen, R. T. (1989), Combining forecasts: a review and annotated bibliography, International Journal of Forecasting 5(4)
Ranjan, R. and Gneiting, T. (2010), Combining probability forecasts, Journal of the Royal Statistical Society B 72(1) (linear pooling and its calibration)
Ranjan, R. and Gneiting, T. (2010), Combining probability forecasts, Journal of the Royal Statistical Society B 72(1) (ការលាយការព្យាករណ៍ជាលីនេអ៊ែរ និងការក្រិតរបស់វា)
Brier, G. W. (1950), Verification of forecasts expressed in terms of probability, Monthly Weather Review 78(1)
Murphy, A. H. and Winkler, R. L. (1977), Reliability of subjective probability forecasts of precipitation and temperature, Applied Statistics 26(1)
Wilks, D. S., Statistical Methods in the Atmospheric Sciences (reliability diagrams, calibration and shrinkage of probability forecasts)
Wilks, D. S., Statistical Methods in the Atmospheric Sciences (ដ្យាក្រាមភាពជឿជាក់ ការក្រិត និងការទាញការព្យាករណ៍ប្រូបាប៊ីលីតេឆ្ពោះទៅរកតម្លៃរួម)
Gneiting, T. and Raftery, A. E. (2007), Strictly proper scoring rules, prediction, and estimation, JASA 102
Glahn, H. R. and Lowry, D. A. (1972), The use of Model Output Statistics (MOS) in objective weather forecasting, Journal of Applied Meteorology 11 (learning a station's forecast error from past forecasts and observations)
Glahn, H. R. and Lowry, D. A. (1972), The use of Model Output Statistics (MOS) in objective weather forecasting, Journal of Applied Meteorology 11 (ការរៀនកំហុសព្យាករណ៍របស់ស្ថានីយ៍មួយ ពីការព្យាករណ៍ និងការសង្កេតកន្លងមក)
World Meteorological Organization, Guide to Instruments and Methods of Observation (WMO-No. 8) (quality control of automatic station data)
អង្គការឧតុនិយមពិភពលោក (WMO), Guide to Instruments and Methods of Observation (WMO-No. 8) (ការត្រួតពិនិត្យគុណភាពទិន្នន័យរបស់ស្ថានីយ៍ស្វ័យប្រវត្តិ)
Forecast Verification: Issues, Methods and FAQ (bias, MAE, RMSE, POD, FAR, CSI)
Forecast Verification: Issues, Methods and FAQ (លម្អៀង, MAE, RMSE, POD, FAR, CSI)
NWS heat index equation and dew point, Magnus formula
សមីការសន្ទស្សន៍កំដៅរបស់ NWS និង ចំណុចទឹកសន្សើម រូបមន្ត Magnus

Not taken from a source: the shrinkage strength, the fade time of the latest reading, and the 5% / 24-hour thresholds are this project's own design choices.

មិនបានយកពីប្រភពណាមួយទេ៖ កម្លាំងនៃការទាញ ពេលវេលាថយចុះនៃការវាស់ចុងក្រោយ និងកម្រិត 5% / 24 ម៉ោង គឺជាជម្រើសរចនាផ្ទាល់របស់គម្រោងនេះ។

Live parameters

Loading…