[论文解读] Comparing the ensemble mean and the ensemble standard deviation as inputs for probabilistic medium-range temperature forecasts

Stephen Jewson|ArXiv.org|Oct 13, 2003

Meteorological Phenomena and Simulations参考文献 4被引用 11

一句话总结

本研究评估了集合平均值与集合标准差在伦敦希思罗机场中期温度概率预报中作为预测因子的相对技能。基于Jewson等人（2003）提出的扩散回归框架，构建了四种统计配置的模型，发现集合平均值对预报技能的贡献远超集合扩散——在较长预报时效下，其贡献最高可达100倍，凸显了集合平均值在概率温度预报中的主导作用，尽管在短时效下集合扩散具有微弱的附加优势。

ABSTRACT

We ask the following question: what are the relative contributions of the ensemble mean and the ensemble standard deviation to the skill of a site-specific probabilistic temperature forecast? Is it the case that most of the benefit of using an ensemble forecast to predict temperatures comes from the ensemble mean, or from the ensemble spread, or is the benefit derived equally from the two? The answer is that one of the two is much more useful than the other.

研究动机与目标

• 确定集合平均值与集合标准差对特定站点中期概率温度预报技能的相对贡献。
• 评估预报技能主要源于集合平均值（中心趋势）还是集合扩散（不确定性估计）。
• 评估在概率预报背景下，集合扩散是否提供了超越集合平均值的有意义预测信息。
• 使用一致的统计建模框架量化这两个预测因子的相对重要性。
• 探究集合平均值与扩散的相对重要性是否随预报时效变化。

提出的方法

• 基于Jewson等人（2003）提出的扩散回归框架，构建了四种统计模型，其差异在于是否使用集合平均值或单个成员，以及是否使用集合扩散或依赖历史预报误差统计。
• 每个模型通过估计正态分布生成概率预报：$ T_i \sim N(\alpha + \beta x_i, \gamma) $，其中 $ x_i $ 为单个集合成员或集合平均值。
• 通过线性回归在双差分温度数据上估计模型参数（α, β, γ, δ），以去除季节性均值和标准差。
• 使用负对数似然分数评估模型性能，该分数衡量预测概率密度函数的准确性。
• 通过比较包含或排除每个预测因子的模型之间的对数似然差异，量化集合平均值与扩散的相对贡献。
• 由于先前研究中该数据集未检测到集合扩散的样本外优势，因此采用样本内分析以避免过拟合。

实验结果

研究问题

• RQ1 与集合标准差相比，集合平均值在中期概率温度预报技能中的贡献有多大？
• RQ2 集合平均值与扩散的相对重要性是否随预报时效变化？
• RQ3 在此背景下，使用集合扩散是否能带来显著的预测优势，超越集合平均值？
• RQ4 该集合系统的预报误差是否足够平稳，以支持对预测因子重要性进行可靠统计建模？
• RQ5 扩散回归模型框架是否能有效隔离并量化平均值与扩散对预报性能的独立贡献？

主要发现

• 集合平均值对预报技能的贡献远超集合标准差，在最长预报时效下，其有用性最高可达标准差的100倍。
• 在短时效下，集合平均值的有用性约为标准差的四倍，表明随着预报时长远移，平均值的主导地位持续增强。
• 集合扩散仅提供微弱优势，使用与不使用扩散的模型之间对数似然差异在所有预报时效下均介于零至十之间。
• 集合平均值的相对重要性随预报时效增加而上升，表现为包含平均值与包含扩散的模型之间对数似然差异比率持续上升。
• 尽管数据有限（仅一年、一个站点），结果依然稳健，且平均值对扩散的主导地位极为显著，因此在增加更多数据或站点后该结论极不可能改变。
• 由于该数据集中未检测到集合扩散的样本外优势，样本外验证不可行，因此采用低维模型的样本内分析是合理的，可有效避免过拟合。