[论文解读] Do probabilistic medium-range temperature forecasts need to allow for non-normality?

Stephen Jewson|ArXiv.org|Oct 13, 2003

Meteorological Phenomena and Simulations参考文献 3被引用 7

一句话总结

本研究通过比较高斯分布散度回归模型与基于核密度的散度回归模型，评估了概率性中长期温度预报是否需要非正态分布。尽管核模型在捕捉偏度和峰度方面更具灵活性，但未发现其在似然得分衡量的预报技巧上有显著提升，表明预报不确定性可能本质上是正态的，或非正态性未被集合系统捕捉，因此无需使用灵活分布。

ABSTRACT

The gaussian spread regression model for the calibration of site specific ensemble temperature forecasts depends on the apparently restrictive assumption that the uncertainty around temperature forecasts is normally distributed. We generalise the model using the kernel density to allow for much more flexible distribution shapes. However, we do not find any meaningful improvement in the resulting probabilistic forecast when evaluated using likelihood based scores. We conclude that the distribution of uncertainty is either very close to normal, or if it is not close to normal, then the non-normality is not being predicted by the ensemble forecast that we test.

研究动机与目标

• 探究概率性中长期温度预报是否需要非正态分布以提高预报准确性。
• 针对广泛使用的校准方法——高斯散度回归模型中假设正态性的局限性进行改进。
• 开发并测试一种更具弹性的核散度回归模型，允许预报不确定性具有任意分布形态。
• 利用基于似然的评分评估核模型的更高灵活性是否带来更好的预报表现。
• 判断预报不确定性中的非正态性是否可由集合系统预测，或是否对校准无信息量。

提出的方法

• 提出一种基于核密度估计的核散度回归模型，用于建模条件温度分布，替代传统的正态分布假设。
• 通过集合均值和标准差的线性变换对预报进行校准，与高斯散度回归模型方法类似。
• 在核密度估计中应用带宽选择，以在平滑性与数据保真度之间取得平衡，并为模型参数估计置信区间。
• 使用对数似然得分（MLL）进行模型的样本内评估，比较四种模型的表现：高斯回归、高斯散度回归、核回归和核散度回归。
• 从所有数据中去除季节性均值和标准差，以减少季节效应并提高模型平稳性。
• 使用欧洲中期天气预报中心（ECMWF）集合预报（51个成员）一年的数据（伦敦希思罗机场）与观测的日平均温度进行对比。

实验结果

研究问题

• RQ1 通过核密度估计允许预报不确定性非正态化，是否能相比高斯假设显著提升概率性温度预报？
• RQ2 预报不确定性中的非正态性是否可由集合系统预测，或是否与集合离散度无关？
• RQ3 与简单回归模型相比，散度回归模型（高斯与核模型）在基于似然的预报评分上是否表现更优？
• RQ4 核模型的更高灵活性是否能显著捕捉到温度预报误差中的偏度或双峰性？
• RQ5 更长且平稳的预报数据集能否解决高斯模型与核模型之间性能模糊的争议？

主要发现

• 核散度回归模型在对数似然得分方面，即使在长预报时效下，也未显著优于高斯散度回归模型。
• 相比简单回归模型，使用散度回归模型带来的似然性提升微乎其微，且在用核密度替代高斯分布时未观察到实质性改进。
• 核模型中的带宽随时间变化极小，且通常与校准后的标准差成比例，表明对自适应非正态性的需求有限。
• 核模型的参数估计稳定且处于置信区间内，表明其稳健性，但无证据显示其具有更强的预测能力。
• 结果表明，预报不确定性可能近似正态，或任何非正态性未被集合离散度捕捉，因此无需使用灵活分布。
• 作者结论认为，由于高斯模型具有更好的可解释性、计算效率，且未显示出更高灵活性的实质性优势，因此仍为更优选择。