[论文解读] CMIP3 ensemble spread, model similarity, and climate prediction uncertainty

Stephen Jewson, Ed Hawkins|ArXiv.org|Sep 10, 2009

Climate variability and models参考文献 3被引用 7

一句话总结

本文认为，由于模型相似性和共享的结构性缺陷，CMIP3 模型集合的分散度低估了真实的气候预测不确定性。通过假设模型之间存在相关性，采用多元正态模型，推导出集合分散度的数学膨胀因子，表明假设的相关性越高，不确定性估计越宽泛、更符合实际——为改进概率性气候预测提供了超越简单集合分散度的框架。

ABSTRACT

The CMIP3 multi-model ensemble spread most likely underestimates the real model uncertainty in future climate predictions because of the similarity, and shared defects, of the models in the ensemble. To generate an appropriate level of uncertainty, the spread needs inflating. We derive the mathematical connection between an assumed level of correlation between the model output and the necessary inflation of the spread, and illustrate the connection by making temperature predictions for the UK for the 21st century using four different correlation scenarios.

研究动机与目标

• 调查 CMIP3 模型集合分散度为何可能因模型之间的相互依赖性和共享的结构性缺陷而低估真实气候预测不确定性。
• 开发一种统计框架，根据假设的模型相关性调整集合分散度，而非将模型视为独立。
• 提供一种方法，以反映可能气候结果真实分布的方式膨胀集合不确定性。
• 提供一种实用的替代方案，以替代任意的分散度膨胀，将不确定性调整建立在基于相关性的数学模型基础上。

提出的方法

• 将模型的温度预测视为来自均值 μ 和相关矩阵 Σ 未知的多元正态分布的样本。
• 均值的最大似然估计为集合均值，而方差估计则基于结构化相关矩阵的假设。
• 假设一种特定的相关结构：所有模型对之间的相关性均为 r，从而得到相关矩阵 C = (1−r)I + r1。
• 该相关矩阵的逆矩阵被解析推导为 C⁻¹ = αI + β1，其中 α = 1/(1−r)，β = r/[(r−1)(1−r+rn)]。
• 所得的方差估计量考虑了相关性，表明更高的 r 会导致更大的估计方差，从而膨胀不确定性。
• 该方法应用于英国 21 世纪温度预测的四种不同相关性情景（r = 0, 0.2, 0.4, 0.6）。

实验结果

研究问题

• RQ1 模型相关性如何影响将 CMIP3 集合分散度解释为气候预测不确定性度量的方式？
• RQ2 CMIP3 模型之间的相似性在多大程度上导致了真实预测不确定性的低估？
• RQ3 假设的模型相关性与所需集合分散度膨胀之间的数学关系是什么？
• RQ4 与使用原始集合分散度相比，基于相关性的框架如何改善概率性气候预测？
• RQ5 结构化的相关性假设能否为不确定性量化提供比任意分散度膨胀更可靠的依据？

主要发现

• 由于模型相似性和共享的结构性缺陷，CMIP3 集合分散度系统性地低估了真实的气候预测不确定性。
• 假设的模型相关性 r 直接决定了集合分散度所需的膨胀程度，更高的 r 导致显著更宽的不确定性估计。
• 对于给定的集合大小 n，方差估计量随 r 增加而增大，表明相关性以可量化的方式膨胀了不确定性。
• 该方法表明，即使中等程度的相关性（r = 0.4）也相较于独立模型假设（r = 0）导致了显著的不确定性膨胀。
• 该框架为任意分散度膨胀提供了一种有原则的替代方案，将不确定性调整建立在模型相关性的统计模型基础上。
• 该方法表明，即使均值相同，具有不同不确定性水平的概率预测也不应被视为等同，强调了不确定性感知决策的必要性。