[论文解读] Improving Uncertain Climate Forecasts Using a New Minimum Mean Square Error Estimator for the Mean of the Normal Distribution

Stephen Jewson, Ed Hawkins|ArXiv.org|Dec 22, 2009

Meteorological Phenomena and Simulations参考文献 2被引用 11

一句话总结

本文提出了两种新的最小均方误差（MSE）估计器，通过基于信噪比（r² = d²/V）对模型预测进行最优衰减，以改进不确定的气候预测。与简单的衰减方法不同，这些估计器对可能的d和V值进行贝叶斯后验平均，显著优于先前方法在关键中间不确定性范围（0.73 < r < 2.03）内的表现，该范围内忽略模型或完全使用模型均表现欠佳。

ABSTRACT

When climate forecasts are highly uncertain, the optimal mean squared error strategy is to ignore them. When climate forecasts are highly certain, the optimal mean squared error strategy is to use them as is. In between these two extremes there are climate forecasts with an intermediate level of uncertainty for which the optimal mean squared error strategy is to make a compromise forecast. We present two new methods for making such compromise forecasts, and show, using simulations, that they improve on previously published methods.

研究动机与目标

• 解决现有气候预测方法在不确定性较高但不极端时表现欠佳的问题。
• 开发改进的最小均方误差（MSE）估计器，使其在中间信噪比范围内优于Jewson和Hawkins（2009b）提出的简单衰减方法。
• 评估对可能的信号和不确定性值进行贝叶斯平均是否能带来优于插值估计器的预测性能。
• 识别在不同预测不确定性水平下（由比值 r = d²/V 定义）的最优预测策略。

提出的方法

• 通过在信号（d）和方差（V）的后验分布上积分，提出一种新的贝叶斯经验估计器来估计衰减系数k：ˆk = ∫∫ (d²/(d²+V)) p(d,V|x) dd dV。
• 提出第二种直接估计预测均值的估计器：ˆμ = ∫∫ (d³/(d²+V)) p(d,V|x) dd dV，避免中间k值的估计。
• 对d和V使用非信息性（Jeffreys’）先验，并通过在±4个标准误差范围内进行101点离散化实现数值积分。
• 比较五种预测策略：完全使用、忽略、简单衰减（Jewson & Hawkins, 2009b）以及两种新估计器，基于模拟的MSE性能。
• 通过方差V对MSE进行归一化，计算归一化MSE（NMSE），以实现在不同不确定性水平下的比较。
• 采用蒙特卡洛模拟估计在一系列r值（信噪比）下的性能表现。

实验结果

研究问题

• RQ1 对可能的信号和不确定性值进行贝叶斯平均，是否能产生优于简单插值衰减方法的最小MSE预测？
• RQ2 新估计器在不同预测不确定性水平（r值）下的性能，与原始衰减方法相比如何？
• RQ3 是否存在一个r范围，使得新估计器在该范围内始终优于忽略预测或完全使用模型？
• RQ4 在r参数空间的不同区域中，哪一种新估计器表现最佳？
• RQ5 当信号大小和不确定性均未知时，能否在实践中确定最优预测策略？

主要发现

• 第一种新估计器在0.73 < r < 1.19范围内优于简单衰减方法，尽管原始方法在此区间内为最优但非理想。
• 第二种新估计器在整个优于忽略或完全使用模型的r范围内均优于简单衰减方法，尤其在1.18 < r < 2.03范围内表现更优。
• 当r < 0.74时，忽略预测仍为最优策略；当r > 2.02时，完全使用模型输出为最佳策略。
• Jewson和Hawkins（2009b）提出的简单衰减估计器从未成为最佳性能方法，但未被任何单一替代方法完全压制。
• 两种新估计器各自在r的不同子区间内占据主导地位，表明在所有不确定性水平下不存在单一最优方法。
• 新估计器在关键中间不确定性范围内显著降低了MSE，而该范围正是当前模型输出被低估或丢弃的区域。