[论文解读] Probabilistic temperature forecasting: a summary of our recent research results

Stephen Jewson|ArXiv.org|Sep 20, 2004

Meteorological Phenomena and Simulations参考文献 10被引用 4

一句话总结

本文提出了一种季节性参数线性回归模型，作为概率温度预报的最优方法，利用历史预报误差校准预测的均值和离散度。研究发现，简单且经过实证检验的模型优于复杂的基于集合的方法，使用非正态分布或先进校准技术并无益处。

ABSTRACT

We summarise the main results from a number of our recent articles on the subject of probabilistic temperature forecasting.

研究动机与目标

• 解决商业和工业应用中缺乏可靠、校准良好的概率温度预报的问题。
• 澄清文献中关于集合预报与概率预报之间区别的困惑。
• 开发一种透明、经过实证验证的概率温度预报方法，其性能优于现有方法。
• 为气象学中未来概率预报方法的评估提供基准模型。

提出的方法

• 使用具有季节性变化参数的线性回归模型，对预报均值和不确定性进行校准。
• 通过两个自由度校准预报离散度：一个用于均值水平，一个用于变异性幅度。
• 基于历史预报误差统计而非直接模型输出来校准常数和变异性。
• 通过包含/排除集合离散度来测试模型性能，以评估其对预报技巧的实际影响。
• 将季节性参数线性回归模型与更简单的模型及更复杂的替代方法进行比较。
• 仅使用经典统计学中理解透彻的统计方法，避免使用临时或过度复杂的技术。

实验结果

研究问题

• RQ1 一个简单且具有季节性变化参数的线性回归模型是否能优于更复杂的概率预报方法？
• RQ2 集合离散度是否是预报不确定性的可靠指标，且在校准中使用时是否能提升预报技巧？
• RQ3 在概率温度预报中，使用非正态分布是否相较于正态分布具有优势？
• RQ4 将历史预报误差统计与基于集合的信息相结合，如何影响预报准确性？
• RQ5 一个透明且经过实证验证的模型能否作为未来概率预报研究的可靠基准？

主要发现

• 季节性参数线性回归模型显著优于其他测试的校准方法，包括基于集合离散度的方法。
• 通过两个独立校准参数分别校准预报离散度的均值水平和变异性幅度，其性能优于单参数校准。
• 在预报模型中，使用非正态分布相较于正态分布未发现可测量的优势。
• 集合离散度仅带来极小的预报技巧提升，且由于校准不佳，其使用常具有误导性。
• 基于过去预报误差统计推导的相关性比直接从集合中推导的相关性更准确，尽管两者结合的80-20混合方法性能更优。
• 该模型的简洁性与实证验证使其成为未来研究及商业预报应用的更优基线。