Předpověď souboru - Ensemble forecasting

Image
Nahoru : Simulace modelu hurikánu Rita pro modelování výzkumu a předpovědi počasí . Dole : Šíření předpovědi více modelových sestav Národního centra hurikánů .

Ensemble predikce je metoda používaná v numerické předpovědi počasí nebo v rámci ní . Namísto vytvoření jediné předpovědi nejpravděpodobnějšího počasí se vytvoří sada (nebo soubor) předpovědí. Cílem této sady předpovědí je naznačit rozsah možných budoucích stavů atmosféry. Ensemble predikce je formou analýzy Monte Carlo . Vícenásobné simulace jsou vedeny za účelem zohlednění dvou obvyklých zdrojů nejistoty v předpovědních modelech: (1) chyb zavedených použitím nedokonalých počátečních podmínek, umocněných chaotickou povahou evolučních rovnic atmosféry, která je často označována jako jako citlivá závislost na počátečních podmínkách ; a (2) chyby zavedené kvůli nedokonalostem v modelové formulaci, jako jsou přibližné matematické metody pro řešení rovnic. V ideálním případě by měl ověřený budoucí atmosférický stav spadat do predikovaného souborového rozpětí a množství rozpětí by mělo souviset s nejistotou (chybou) předpovědi. Tento přístup lze obecně použít k vytváření pravděpodobnostních předpovědí jakéhokoli dynamického systému , nejen k předpovědi počasí.

Dnes se souborové předpovědi běžně provádějí ve většině hlavních provozních zařízení předpovídajících počasí na celém světě, včetně:

Experimentální prognózy sestav se provádějí na řadě univerzit, například na Washingtonské univerzitě, a prognózy souborů v USA generuje také americké námořnictvo a letectvo . Existují různé způsoby zobrazení dat, jako jsou spaghetti grafy , souborové prostředky nebo poštovní známky, kde lze porovnat řadu různých výsledků z běhu modelů.

Dějiny

Viz také: Historie numerické předpovědi počasí

Jak to navrhuje Edward Lorenz v roce 1963, to je nemožné, aby dalekonosné prognóz-ti dělali více než dva týdny předem, předpovědět stav atmosféry s jakýmkoliv stupněm dovednosti vzhledem k chaotické povaze těchto Fluid Dynamics rovnic strany. Stávající pozorovací sítě mají navíc omezené prostorové a časové rozlišení (například u velkých vodních ploch, jako je Tichý oceán), což vnáší do skutečného počátečního stavu atmosféry nejistotu. Zatímco pro určení počáteční nejistoty při inicializaci modelu existuje sada rovnic, známých jako Liouvilleovy rovnice , jsou rovnice příliš složité na to, aby je bylo možné spustit v reálném čase, a to i při použití superpočítačů. Praktický význam souborných prognóz vyplývá ze skutečnosti, že v chaotickém a tedy nelineárním systému závisí rychlost růstu chyby prognózy na počátečních podmínkách. Předpověď souboru proto poskytuje předběžný odhad předvídatelnosti závislé na stavu, tj. Odhad typů počasí, které by mohly nastat, vzhledem k nevyhnutelným nejistotám v počátečních podmínkách předpovědi a v přesnosti výpočetní reprezentace rovnic. Tyto nejistoty omezují přesnost předpovědního modelu na přibližně šest dní do budoucnosti. První operativní prognózy souboru byly vytvořeny pro subsezónní časové harmonogramy v roce 1985. Bylo však zjištěno, že filozofie, na níž jsou tyto prognózy založeny, je relevantní i pro kratší časové intervaly-časové rámce, kde se předpovědi dříve vytvářely čistě deterministickými prostředky.

Edward Epstein v roce 1969 poznal, že atmosféru nelze z důvodu inherentní nejistoty úplně popsat pomocí jediné předpovědi, a navrhl stochastický dynamický model, který produkoval prostředky a odchylky pro stav atmosféry. Ačkoli tyto simulace Monte Carla ukázaly dovednosti, v roce 1974 Cecil Leith odhalil, že vytvářejí adekvátní předpovědi pouze tehdy, když je rozdělení pravděpodobnosti souboru reprezentativním vzorkem rozdělení pravděpodobnosti v atmosféře. Až v roce 1992 začalo souborné předpovědi připravovat Evropské centrum pro střednědobé předpovědi počasí (ECMWF) a Národní centra pro predikci životního prostředí (NCEP).

Metody reprezentace nejistoty

Při sestavování souborné předpovědi počasí je třeba vzít v úvahu dva hlavní zdroje nejistoty: počáteční nejistotu stavu a nejistotu modelu.

Počáteční nejistota stavu

Nejistota počátečních podmínek vzniká v důsledku chyb v odhadu počátečních podmínek pro předpověď, a to jak z důvodu omezeného pozorování atmosféry, tak z nejistot spojených s používáním nepřímých měření, jako jsou satelitní data , k měření stavu atmosférických proměnných. Nejistota počátečních podmínek je představována narušením výchozích podmínek mezi různými členy souboru. To zkoumá rozsah počátečních podmínek v souladu s našimi znalostmi současného stavu atmosféry spolu s jejím minulým vývojem. Existuje několik způsobů, jak generovat tyto odchylky počátečních podmínek. Model ECMWF, Ensemble Prediction System (EPS), používá k simulaci počáteční hustoty pravděpodobnosti kombinaci singulárních vektorů a souboru datových asimilací (EDA) . Singulární vektorové poruchy jsou aktivnější v extra-tropech, zatímco poruchy EDA jsou aktivnější v tropech. Soubor NCEP, Global Ensemble Forecasting System, používá techniku ​​známou jako vektorový chov .

Nejistota modelu

Nejistota modelu vzniká v důsledku omezení modelu prognózy. Proces reprezentace atmosféry v počítačovém modelu zahrnuje mnoho zjednodušení, jako je vývoj schémat parametrizace , které vnášejí do prognózy chyby. Bylo navrženo několik technik reprezentujících nejistotu modelu.

Perturbed schémata parametrů

Při vývoji parametrizačního schématu je zavedeno mnoho nových parametrů, které představují zjednodušené fyzikální procesy. Tyto parametry mohou být velmi nejisté. Například „ koeficient strhávání “ představuje turbulentní míchání suchého okolního vzduchu do konvekčního mraku , a představuje tedy složitý fyzikální proces s použitím jediného čísla. V přístupu narušených parametrů jsou nejisté parametry v parametrizačních schématech modelu identifikovány a jejich hodnota se mění mezi členy souboru. Zatímco v pravděpodobnostní klimatické modelování, jako Climateprediction.net , tyto parametry jsou často udržují konstantní po celém světě a po celé integrace, v moderní numerické předpovědi počasí je běžnější, aby náhodně měnit hodnotu parametrů v čase a prostoru. Stupeň poruchy parametrů lze řídit pomocí odborného úsudku nebo přímým odhadem stupně nejistoty parametrů pro daný model.

Stochastické parametrizace

Tradiční parametrizační schéma se snaží reprezentovat průměrný účinek pohybu dílčí mřížky (např. Konvekční mraky) na stav vyřešeného měřítka (např. Teplota ve velkém měřítku a větrná pole). Schéma stochastické parametrizace uznává, že může existovat mnoho stavů stupnice dílčí mřížky konzistentních s konkrétním vyřešeným stavem stupnice. Místo predikce nejpravděpodobnějšího pohybu v měřítku dílčí mřížky představuje stochastické schéma parametrizace jednu možnou realizaci dílčí mřížky. Toho se dosahuje zahrnutím náhodných čísel do pohybových rovnic. Tento vzorek vychází z rozdělení pravděpodobnosti přiřazeného nejistým procesům. Stochastické parametrizace výrazně zlepšily dovednost modelů předpovědi počasí a jsou nyní používány v provozních předpovědních centrech po celém světě. Stochastické parametrizace byly poprvé vyvinuty v Evropském centru pro střednědobé předpovědi počasí .

Více modelových souborů

Když se ke generování prognózy používá mnoho různých modelů předpovědí, tento přístup se nazývá prognóza sestavování více modelů. Tato metoda prognóz může zlepšit prognózy ve srovnání s přístupem založeným na jediném modelu. Když jsou modely v souboru více modelů upraveny pro jejich různé předpojatosti, je tento proces známý jako „předpovídání supersestavy“. Tento typ prognózy výrazně snižuje chyby ve výstupu modelu. Když se kombinují modely různých fyzikálních procesů, jako jsou kombinace atmosférických, oceánských a vlnových modelů, multimodální soubor se nazývá hyper-soubor.

Posouzení pravděpodobnosti

Prognóza souboru se obvykle vyhodnocuje porovnáním průměru jednotlivých prognóz pro jednu proměnnou předpovědi s pozorovanou hodnotou této proměnné („chyba“). To je kombinováno s ohledem na míru shody mezi různými prognózami v systému souborů, jak je reprezentuje jejich celková standardní odchylka nebo „rozpětí“. Šíření souboru lze zobrazit pomocí nástrojů, jako jsou špagetové diagramy, které ukazují rozptýlení jedné veličiny na prognostických grafech pro konkrétní časové kroky v budoucnosti. Dalším nástrojem, kde se používá šíření souboru, je meteogram , který ukazuje rozptyl v předpovědi jedné veličiny pro jedno konkrétní místo. Je běžné, že šíření souboru je příliš malé, takže pozorovaný atmosférický stav spadá mimo předpověď souboru. To může vést k tomu, že prognostik bude ve své prognóze příliš sebevědomý. Tento problém se stává obzvláště závažným pro předpovědi počasí asi 10 dní předem, zvláště pokud v předpovědi není zohledněna nejistota modelu.

Spolehlivost a rozlišení (kalibrace a ostrost)

Šíření prognózy souboru ukazuje, jak jistý může být prognostik ve své předpovědi. Když je rozpětí souboru malé a řešení prognóz jsou konzistentní v rámci více modelových běhů, prognostici vnímají obecně větší důvěru v prognózu. Když je rozpětí velké, znamená to větší nejistotu v predikci. V ideálním případě by měl existovat vztah šíření a dovedností , přičemž šíření souboru je dobrým prediktorem očekávané chyby v průměru souboru. Pokud je předpověď spolehlivá , bude se pozorovaný stav chovat, jako by byl čerpán z rozdělení pravděpodobnosti prognózy. Spolehlivost (nebo kalibraci ) lze vyhodnotit porovnáním standardní odchylky chyby v průměru souboru s rozpětím předpovědi: pro spolehlivou předpověď by se tyto dva měly shodovat, a to jak v různých časech zahájení předpovědi, tak pro různá místa.

Lze také posoudit spolehlivost předpovědí konkrétní povětrnostní události. Pokud například 30 z 50 členů uvedlo během následujících 24 hodin srážky větší než 1 cm, pravděpodobnost překročení 1 cm by mohla být odhadnuta na 60%. Předpověď by byla považována za spolehlivou, pokud by s ohledem na všechny situace v minulosti, kdy byla předpovídána pravděpodobnost 60%, v 60% z těchto případů srážky skutečně přesáhly 1 cm. V praxi nejsou pravděpodobnosti generované z předpovědí provozního meteorologického souboru vysoce spolehlivé, ačkoli se sadou minulých předpovědí ( recastcastů nebo hindcastů ) a pozorování lze odhady pravděpodobnosti ze souboru upravit tak, aby byla zajištěna větší spolehlivost.

Další žádoucí vlastností prognóz souboru je rozlišení. Toto je údaj o tom, jak moc se předpověď odchyluje od frekvence klimatologických událostí - za předpokladu, že je soubor spolehlivý, zvýšení této odchylky zvýší užitečnost předpovědi. Tuto kvalitu předpovědi lze také zvážit z hlediska ostrosti nebo jak malého je rozpětí prognózy. Klíčovým cílem prognostika by měla být maximální ostrost při zachování spolehlivosti. Předpovědi u dlouhých potenciálních zákazníků nevyhnutelně nebudou zvlášť ostré (mají obzvláště vysoké rozlišení), protože nevyhnutelné (i když obvykle malé) chyby v počátečním stavu porostou s rostoucím předpovědním náskokem, dokud nebude očekávaný rozdíl mezi dvěma modelovými státy stejně velký jako rozdíl mezi dvěma náhodnými stavy z klimatologie předpovědního modelu.

Kalibrace prognóz souboru

Pokud mají být pro předpovědi pravděpodobností pozorovaných proměnných počasí použity předpovědi souborů, obvykle je nutné je kalibrovat, aby se vytvořily nestranné a spolehlivé předpovědi. Pro předpovědi teploty je jednou jednoduchou a efektivní metodou kalibrace lineární regrese , která je v tomto kontextu často známá jako statistika výstupu modelu . Lineární regresní model bere průměr souboru jako prediktor skutečné teploty, ignoruje rozdělení členů souboru kolem průměru a předpovídá pravděpodobnosti pomocí rozdělení zbytků z regrese. V tomto nastavení kalibrace je hodnota souboru při zlepšování předpovědi taková, že průměr souboru obvykle poskytuje lepší předpověď, než jakýkoli jednotlivý člen souboru, a ne kvůli jakékoli informaci obsažené v šířce nebo tvaru rozložení členů v soubor kolem průměru. V roce 2004 však byla zavedena generalizace lineární regrese (nyní známá jako nehomogenní Gaussova regrese ), která využívá lineární transformaci šíření souboru k určení šířky prediktivního rozdělení a ukázalo se, že to může vést k předpovědím s vyšší dovednosti než ty, které jsou založeny pouze na lineární regresi. Toto poprvé prokázalo, že informace ve tvaru rozdělení členů souboru kolem průměru, v tomto případě shrnuté rozšířením souboru, mohou být použity ke zlepšení předpovědí vzhledem k lineární regresi . To, zda lze lineární regresi porazit pomocí takto rozšířeného souboru, se liší v závislosti na systému předpovědi, proměnné předpovědi a době realizace.

Předpovídání velikosti změn prognózy

Kromě toho, že se souborový rozptyl používá ke zlepšení predikcí nejistoty, může být také použit jako prediktor pravděpodobné velikosti změn průměrné prognózy z jedné prognózy na druhou. To funguje, protože v některých systémech předpovědi souborů úzké soubory obvykle předcházejí malým změnám průměru, zatímco široké soubory předcházejí větším změnám v průměru. To má aplikace v obchodních odvětvích, pro které může být důležité porozumět pravděpodobným velikostem budoucích změn prognóz.

Koordinovaný výzkum

Hlavní článek: THORPEX Interactive Grand Global Ensemble

Experiment výzkumu a předvídatelnosti pozorovacího systému (THORPEX) je desetiletý mezinárodní program výzkumu a vývoje, jehož cílem je urychlit zlepšování přesnosti jednodenních až dvoutýdenních předpovědí počasí s vysokým dopadem ve prospěch společnosti, ekonomiky a životního prostředí. Stanovuje organizační rámec, který se zabývá výzkumem počasí a problémy s předpověďmi, jejichž řešení bude urychleno díky mezinárodní spolupráci mezi akademickými institucemi, operačními středisky předpovědí a uživateli předpovídaných produktů.

Jednou z jeho klíčových součástí je THORPEX Interactive Grand Global Ensemble (TIGGE), světový program pro výzkum počasí, který má urychlit vylepšení přesnosti 1denních až 2týdenních předpovědí počasí s velkým dopadem ve prospěch lidstva. K umožnění rozsáhlého sdílení dat a výzkumu se používají centralizované archivy dat předpovědí modelového souboru z mnoha mezinárodních center .

Viz také

Reference

Další čtení

externí odkazy