часть 2
2.2 Выбор предсказаний
Поскольку мы намереваемся предоставить шаблоны аномалий синоптического масштаба, для этой бета-версии системы будут выбраны предсказания низкого разрешения.
Осадков данные Глобального Предсказание климатический центр (GPCC) набора данных будет использоваться. Данные состоят из смеси GPCC v7 и его мониторинга (v5) начиная с 2014 года. Температура поверхности получается из промежуточного реанализа ERA.
Выбранный период 1979–2016 гг. В обоих случаях прогноз будет состоять из трехмесячного среднего для каждого сезона и точки сетки. Эмпирическая модель запускается каждый месяц с одним месяцем, т.е. вычисляется прогноз на следующий сезон (3 месяца) и для обоих предикторов. Например, в январе прогноз будет рассчитан на февраль – март – апрель.
2.3 Исследование предикторов
Эта бета-версия эмпирической модели использует глобальные климатические индексы, полученные из внешних источников. Первоначальный пул предикторов включает 25 месячных временных рядов индексов, связанных с индексами изменчивости климата в атмосфере и океане, теплосодержанием океана и снежным покровом.
Кроме того, для каждого индекса создается новый месячный временной ряд, рассчитывающий инкрементное значение за предыдущий месяц (например, инкрементальным значением за февраль будет февраль минус январь).
Цель таких дополнительных рядов состоит в том, чтобы попытаться найти дополнительные источники предсказуемости, анализируя, может ли быстрое изменение состояния определенного индикатора быть связано с аномальной циркуляцией атмосферы.
Перед исследованием этих 50 индексов (25 климатических индексов плюс их 25 дополнительных рядов) применяются скользящие средние от 2 до 6 месяцев,
Процесс выбора предикторов для каждого субрегиона начинается с вычисления для каждого сезона корреляциикоэффициент между предиктором и предикторами из пула, применяющих различное время выполнения заказа (от 1 до 12 месяцев). Корреляция также рассчитывается для шести различных вариантов скользящего среднего (до 6 месяцев).
Таким образом, для конкретной точки сетки, предиктора и сезона будет получен набор значений коэффициента корреляции. Наконец, предиктор выбирается с учетом процента точек сетки со значительной (для p- значения ≤ 0,10 ) корреляцией. В качестве примера можно показать процент точек со значительной корреляцией для DMI-предиктора для разных сроков выполнения и скользящих средних.
Принимая во внимание известную относительную низкую предсказуемость и, следовательно, умение, для исследуемой области, эта процедура попытается раскрыть наилучший возможный сигнал, который может предложить предиктор из пула, играя с разным временем выполнения и скользящими средними.
Учитывая корреляционные данные из разных предикторов и применяя ограничения для обеспечения непрерывности между регионами, набор предикторов в конечном итоге выбирается для каждого региона.
2.4 Запуск модели
Модель использует множественную линейную регрессию (MLR), как описано в "Wilks", для каждой точки сетки, используя набор предикторов, выбранных для каждого конкретного субрегиона. Тренд удаляется перед вычислением регрессии, а затем добавляется к результатам регрессии.
Чтобы выразить прогноз в вероятностных терминах, сначала рассчитываются теркилы для предсказаний в каждой точке сетки. Затем вероятности присваиваются каждому терцилю, используя нормальное распределение, центрированное в детерминированном выводе MLR, и используя информацию из остатков для регулировки его ширины.
Это распределение представляет функцию ожидаемой плотности вероятности для прогнозируемого значения прогнозируемого значения. Расчет площади ниже этой кривой и между наблюдаемыми терцилями дает вероятность того, что прогнозируемое значение будет в каждой из них.
Эта процедура требует, чтобы предикторы адаптировались к нормальному распределению. Поскольку это не относится к осадкам, квадратный корень ранее применяют к этому предсказанию, чтобы преобразовать его в нормальное распределение.
Кроме того, система выполняет серию проверок, чтобы убедиться, что определенные требуемые допущения выполнены, например: нет коллинеарности среди предикторов, нет переобучения, остатки обычно распределяются и гомоскедастичны и не показывают автокорреляцию.
2.5 Проверка результатов
Эффективность эмпирической модели оценивается путем сопоставления с сетками наблюдений для заданной скорости, рассчитанной для периода 1983–2014 гг. Кроме того, показатели проверки, рассчитанные для эмпирической системы, сравниваются с оценками некоторых современных систем сезонного прогнозирования на основе динамических моделей для общего периода задних передач, чтобы проверить возможную выгоду описанного здесь эмпирического метода.
Регрессия тренируется за тот же период, используя « Leave-One-Out»”(Wilks, 2006), исключая в общей сложности 5 лет из серии (два до и два после года, который мы прогнозируем), чтобы избежать возможной автокорреляции. Один из раделов описывает несколько верификационных индексов, рассчитанных для этой версии эмпирической системы, и их сравнение с соответствующими индексами, рассчитанными по динамическим моделям.
3 Результаты
3.1 Осадки и прогнозы температуры
Хотя некоторые шумные особенности все еще можно увидеть в определенных областях, в основном в Египте и на Аравийском полуострове, наблюдаемые закономерности имеют синоптическую шкалу и непрерывны, в общем говоря.
Границы между субрегионами также не очевидны, поэтому карты прогнозов имеют разумную форму, и определенные субрегионы и предлагаемые ограничения для предикторов, кажется, работают хорошо (все эти настройки были наложены для получения плавных паттернов аномалии синоптического масштаба) Этот конкретный пример соответствует прогноз DJF и JAS на время выполнения заказа в 1 месяц, а паттерны аномалий схожи по структуре и пространственной изменчивости с динамическими моделями.
Для сравнения результатов эмпирическая модель также запускается с использованием температуры в качестве предиктора и с использованием тех же предикторов, что и для осадков, в предположении, что одна и та же аномальная циркуляция, полученная этими предикторами, также может влиять на температуру.
