часть 3
3.2 Проверка
Проверочные баллы рассчитываются и визуализируются следующим образом. Для каждого прогнозируемого значения (температуры и осадков), сезона, балла и проверяемого субрегиона результаты выбора систем сезонного прогнозирования на основе динамических моделей и эмпирической системы объединяются в таблицу для удобства сравнения.
Динамические модели и версии, использованные для этого сравнения, работали, когда начался этот проект, и являются следующими: система ECMWF 4. Национальный центр экологического прогнозирования (NCEP) версия системы 2, Канадская система сезонных и межгодовых прогнозов (CanSIPS) и Японская система сезонного прогнозирования 2. Как динамические модели, так и эмпирическая система были рассчитаны как вероятностные, так и детерминированные оценки: ранговый показатель вероятности (RPSS), относительная рабочая характеристика ( ROC) и Brier Skill Score (BSS), для вероятностей верхней и нижней терцилей и корреляции аномалий. Статистическая значимость всех вычисленных оценок было количественно с помощью р-значение оценивается с помощью загрузочного непараметрического метода.
Чтобы сравнить мастерство этой первой версии эмпирической модели с этим выбором динамических моделей, необходимо выбрать общий период данных задних передач, чтобы убедиться, что различия в оценках не связаны с изменениями в предсказуемости за эти годы. Таким образом, хотя задний план для эмпирической системы доступен для более длительного периода, умение оценивается для общего периода 1997–2009 гг. Есть приведенные некоторые примеры для оценки корреляции аномалий, RPSS и площади ROC (нижний и верхний терцили), рассчитанные для осадков над Францией и для температуры в регионе Восточного Средиземноморья. Для этих конкретных областей эмпирическая система работает особенно хорошо. Вообще говоря, показатели осадков для эмпирической системы лучше, чем для динамических моделей. Температурные показатели примерно одинаковы для динамических моделей и эмпирических систем. В дополнение к таблицам для конкретных субрегионов, приведены некоторые примеры карт корреляции аномалий для осадков, рассчитанных для 1983–2014 гг. И для осеннего (SON) и весеннего (MAM) сезонов. Некоторые районы, такие как северная Франция, Бенилюкс, части Германии или Марокко, обширные районы Восточного Средиземноморья и запад Черного моря, показывают хорошую корреляцию с наблюдениями для этих двух конкретных примеров. Тем не менее, в других местах, например, на большей части Пиренейского полуострова и в Италии, в большей части восточной части области для СОН и в значительной части Северной Африки для МАМ, практически нет. Относительно высокий уровень мастерства, достигнутый в некоторых регионах, показывает потенциал эмпирической системы. Поскольку еще есть возможности для улучшения.
4 Выводы
Основные инициативы в области исследований и климатического обслуживания поддерживают прогресс в сезонном прогнозировании. В рамках проекта MEDSCOPE мы представляем здесь бета-версию эмпирической системы сезонного прогноза, предназначенную в качестве эталонной версии с использованием в качестве предикторов в основном хорошо известных индексов изменчивости климата. В следующей версии будут добавлены новые предикторы, основанные на коллекции целевых экспериментов по чувствительности - проводимых также в рамках проекта MEDSCOPE - для изучения предсказуемости в средиземноморском регионе. Предлагаемая система полезна в качестве отправной точки, и добавление новых предикторов в результате целевых экспериментов будет довольно простым. Учитывая это, код был разработан таким образом, чтобы облегчить как модификацию, так и включение новых предикторов.
Как указывалось ранее, характер и внешний вид пространственных структур, наблюдаемых в прогнозах, похоже, соответствуют первоначальной цели создания структур синоптического масштаба и непрерывности между регионами. Кроме того, как мы уже обсуждали, эта бета-версия также имеет некоторые достоинства - не только в качестве справочной версии для проверки улучшений дальнейших разработок, - поскольку она работает лучше, чем современные системы сезонного прогнозирования, основанные на динамических моделях. для определенных сезонов и по определенным регионам. Тем не менее, что касается других регионов, навыки все еще плохие и сопоставимые или ниже динамических моделей. Возможные причины этого результата могут быть связаны с тем, что выбор предикторов был сделан субъективно и только для осадков. Кроме того, Выбор был основан на линейной корреляции между предикторами и накопленными осадками, тогда как модель использует ее квадратный корень. Другая возможная причина, объясняющая низкую производительность, связана с процедурой выбора предикторов, так как она проверяет процент точек, показывающих некоторый сигнал в пределах региона, но не учитывает, где этот сигнал: возможно, что все предикторы показывают сигнал в той же части региона, и в то же время, может не существовать хорошего предиктора для других частей. В следующей версии системы будет реализована автоматическая процедура выбора предикторов, и усилия будут сосредоточены на разработке объективной процедуры, охватывающей вопросы, описанные выше.
Другая возможная причина, объясняющая низкую производительность, связана с процедурой выбора предикторов, так как она проверяет процент точек, показывающих некоторый сигнал в пределах региона, но не учитывает, где этот сигнал: возможно, что все предикторы показывают сигнал в той же части региона, и в то же время, может не существовать хорошего предиктора для других частей. В следующей версии системы будет реализована автоматическая процедура выбора предикторов, и усилия будут сосредоточены на разработке объективной процедуры, охватывающей вопросы, описанные выше. Другая возможная причина, объясняющая низкую производительность, связана с процедурой выбора предикторов, так как она проверяет процент точек, показывающих некоторый сигнал в пределах региона, но не учитывает, где этот сигнал: возможно, что все предикторы показывают сигнал в той же части региона, и в то же время, может не существовать хорошего предиктора для других частей. В следующей версии системы будет реализована автоматическая процедура выбора предикторов, и усилия будут сосредоточены на разработке объективной процедуры, охватывающей вопросы, описанные выше. может не быть хорошего предсказателя для других частей. В следующей версии системы будет реализована автоматическая процедура выбора предикторов, и усилия будут сосредоточены на разработке объективной процедуры, охватывающей вопросы, описанные выше. может не быть хорошего предсказателя для других частей. В следующей версии системы будет реализована автоматическая процедура выбора предикторов, и усилия будут сосредоточены на разработке объективной процедуры, охватывающей вопросы, описанные выше.
С другой стороны, тот факт, что выбранные предикторы для температуры такие же, как для осадков, является серьезным ограничением эмпирической модели. Мы ожидаем лучших результатов при независимом выборе подходящих предикторов для этого предсказания. Тем не менее, нынешние результаты обнадеживают: оценки находятся примерно на том же уровне, что и для динамических моделей. В любом случае, использование одних и тех же предикторов для температуры и осадков облегчает анализ аномалий циркуляции для наступающего сезона и его физическую интерпретацию.
Следовательно, эта первая версия модели показывает относительно хорошие результаты и, по крайней мере, такие же навыки, как динамические модели. Усовершенствования, которые в настоящее время разрабатываются и планируются для эмпирической системы, и ожидаемые новые конкретные предикторы от MEDSCOPE будут реализованы в следующей версии системы. Ожидается, что новая версия станет дополнительным и надежным источником информации, которая будет использоваться в сочетании с динамическими моделями и нацелена на улучшение навыков сезонных прогнозов в средиземноморском регионе.
