[论文解读] Improving probabilistic weather forecasts using seasonally varying calibration parameters

Stephen Jewson|ArXiv.org|Feb 5, 2004

Meteorological Phenomena and Simulations参考文献 6被引用 4

一句话总结

本文在线性回归模型中提出随季节变化的校准参数，以提升集合天气模型的概率温度预报性能。通过允许偏差、斜率和方差参数随季节变化，该方法显著提升了预报技巧，尤其通过季节性偏差调整实现，优于恒定参数线性回归模型，并确立了概率天气预报的新基线。

ABSTRACT

We show that probabilistic weather forecasts of site specific temperatures can be dramatically improved by using seasonally varying rather than constant calibration parameters.

研究动机与目标

• 利用集合模型输出改进特定位置的概率温度预报。
• 解决恒定参数线性回归模型在捕捉预报误差季节变化方面的局限性。
• 探究随季节变化的校准参数是否能显著提升预报技巧，相较于标准线性回归模型。
• 通过展示季节性参数模型的优越性能，确立未来概率预报评估的新基线模型。

提出的方法

• 使用集合平均作为预测变量，对日平均温度异常值应用线性回归进行预报。
• 通过包含年周期和半年周期成分的谐波模型，使回归参数（截距、斜率、方差）随季节变化。
• 采用经典统计框架，使用最大似然估计法拟合季节性参数模型。
• 使用赤池信息准则（AIC）比较模型性能，该准则惩罚过拟合并偏好具有更好样本外预测性能的模型。
• 分解各季节性参数（偏差、斜率、方差）对整体预报技巧提升的贡献。
• 使用1年期的ECMWF集合预报数据与希思罗机场观测温度数据，数据预处理为双倍异常值（去除季节均值和标准差）。

实验结果

研究问题

• RQ1 与恒定参数线性回归相比，随季节变化的回归参数是否能显著提升概率温度预报性能？
• RQ2 在回归模型中，偏差、斜率或方差哪一个成分对预报技巧提升贡献最大？
• RQ3 当三个回归参数均设为季节性时，是否存在超越各单独改进之和的协同效应？
• RQ4 季节性参数模型是否同时提升了预报准确性和可靠性，如相关系数和AIC所衡量的那样？

主要发现

• 随季节变化的参数模型显著提升了预报技巧，其AIC评分显著低于恒定参数线性回归模型。
• 预报技巧的最大提升来自允许偏差参数随季节变化，尤其在短预报时效下表现突出。
• 所有三个回归参数（偏差、斜率、方差）的季节性变化均对预报改进有贡献，且其协同效应大于各项单独贡献之和。
• 季节性参数模型还提高了预报值与观测值之间线性相关性，表明整体预报可靠性更高。
• 该模型的性能提升极为显著，应取代恒定参数线性回归模型，成为未来概率预报模型评估的新基线。
• 本研究建议未来工作应探索偏差建模中更高阶谐波成分的应用，尤其是在更长、更平稳的预报数据集上。