Ауа-райын болжаудағы топтық модельдеу әдісі – нақты бастапқы жағдайлар мен модельдегі қателіктерді ескере отырып, бірнеше симуляция арқылы мүмкін болатын даму сценарийлерін анықтайды.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Ауа райын болжау үшін көптеген симуляциялық әдіс
Multiple simulation method for weather forecasting
Ансамбльдік болжау – сандық ауа райын болжауда қолданылатын әдіс. Ең мүмкін болатын ауа райының бір ғана болжамын жасаудың орнына, болжамдар жиынтығы (немесе ансамблі) жасалады. Бұл болжамдар жиынтығы атмосфераның болашақтағы мүмкін жағдайларының ауқымын көрсетуге бағытталған. Ансамбльдік болжау – Монте-Карло талдауының бір түрі. Болжам модельдеріндегі екі негізгі белгісіздік көзін ескеру үшін көптеген симуляциялар жүргізіледі: (1) атмосфераның эволюция теңдеулерінің хаотикалық сипатынан күшейтіліп, толық емес бастапқы жағдайларды пайдаланудан туындаған қателер, бұл көбінесе бастапқы жағдайларға сезімталдық деп аталады; және (2) теңдеулерді шешуге арналған шамамен математикалық әдістер сияқты модельдің құрастырылуындағы кемшіліктерден туындаған қателер. Идеалды жағдайда, болашақтағы тексерілген атмосфера жағдайы болжамдалған ансамбльдің таралу шегіне кіруі керек, ал таралу мөлшері болжамның белгісіздігіне (қателігіне) байланысты болуы керек. Жалпы, бұл тәсілді ауа райын болжау ғана емес, кез келген динамикалық жүйенің ықтималдық болжамын жасау үшін де қолдануға болады.
Ensemble forecasting is a method used in or within numerical weather prediction. Instead of making a single forecast of the most likely weather, a set (or ensemble) of forecasts is produced. This set of forecasts aims to give an indication of the range of possible future states of the atmosphere. Ensemble forecasting is a form of Monte Carlo analysis. The multiple simulations are conducted to account for the two usual sources of uncertainty in forecast models: (1) the errors introduced by the use of imperfect initial conditions, amplified by the chaotic nature of the evolution equations of the atmosphere, which is often referred to as sensitive dependence on initial conditions; and (2) errors introduced because of imperfections in the model formulation, such as the approximate mathematical methods to solve the equations. Ideally, the verified future atmospheric state should fall within the predicted ensemble spread, and the amount of spread should be related to the uncertainty (error) of the forecast. In general, this approach can be used to make probabilistic forecasts of any dynamical system, and not just for weather prediction.
Тарих
Эдвард Лоренц 1963 жылы ұсынғандай, ұзақ мерзімді болжаулар – екі аптадан астам уақыт бұрын жасалатындар – атмосфераның күйін қандай да бір дәрежеде шеберлікпен болжау мүмкін емес. Бұған себебі, қолданылатын сұйық динамика теңдеулерінің хаотикалық табиғаты. Сонымен қатар, қазіргі бақылау желілерінің кеңістіктік және уақыттық ажыратымдылығы шектеулі (мысалы, Тынық мұхиты сияқты үлкен су алаптарында), бұл атмосфераның нақты бастапқы күйіне белгісіздік енгізеді. Модельдік бастау кезіндегі бастапқы белгісіздікті анықтау үшін Лиувилль теңдеулері деп аталатын теңдеулер жиынтығы бар болғанымен, оларды суперкомпьютерлерді пайдаланғанның өзінде нақты уақытта есептеу өте қиын. Ансамбльдік болжаулардың практикалық маңызы хаотикалық, демек, сызықтық емес жүйеде болжау қателігінің өсу қарқыны бастапқы шарттарға байланысты екендігінде. Сондықтан, ансамбльдік болжам күйге байланысты болжамдылықтың алдын ала бағасын береді, яғни болжамның бастапқы шарттарындағы және теңдеулердің есептеулік бейнелеуінің дәлдігіндегі болжауға қабілеттіліктің қандай түрлері болуы мүмкін екенін бағалауға мүмкіндік береді. Бұл белгісіздіктер болжам моделінің дәлдіғын болашақта шамамен алты күнге дейін шектейді. Бірінші операциялық ансамбльдік болжамдар 1985 жылы маусымдық емес кезеңдер үшін жасалды. Алайда, мұндай болжамдардың негізіндегі принциптер бұрын таза детерминистік тәсілдермен жасалған қысқа мерзімді болжаулар үшін де маңызды екені анықталды. Эдвард Эпштейн 1969 жылы атмосфераны бір ғана болжаммен толық сипаттау мүмкін емес екенін мойындады, себебі ол ішкі белгісіздікке ие, және атмосфераның күйіне орташа мәндер мен дисперсияны шығаратын стохастикалық динамикалық модельді ұсынды. Монте-Карло симуляциялары нәтижелі болғанымен, 1974 жылы Сесил Лейт олардың атмосферадағы ықтималдық таралуын көрсететін ансамбльдік ықтималдық таралуына сәйкес келген жағдайда ғана жарамды болжамдар жасағанын көрсетті. 1992 жылға дейін Еуропалық орта мерзімді ауа-райы болжау орталығы (ECMWF) және Ұлттық қоршаған ортаны болжау орталығы (NCEP) ансамбльдік болжамдарды дайындауға кіріспеді.
As proposed by Edward Lorenz in 1963, it is impossible for long range forecasts—those made more than two weeks in advance—to predict the state of the atmosphere with any degree of skill owing to the chaotic nature of the fluid dynamics equations involved. Furthermore, existing observation networks have limited spatial and temporal resolution (for example, over large bodies of water such as the Pacific Ocean), which introduces uncertainty into the true initial state of the atmosphere. While a set of equations, known as the Liouville equations, exists to determine the initial uncertainty in the model initialization, the equations are too complex to run in real time, even with the use of supercomputers. The practical importance of ensemble forecasts derives from the fact that in a chaotic and hence nonlinear system, the rate of growth of forecast error is dependent on starting conditions. An ensemble forecast therefore provides a prior estimate of state dependent predictability, i. e. an estimate of the types of weather that might occur, given inevitable uncertainties in the forecast initial conditions and in the accuracy of the computational representation of the equations. These uncertainties limit forecast model accuracy to about six days into the future. The first operational ensemble forecasts were produced for sub seasonal timescales in 1985. However, it was realised that the philosophy underpinning such forecasts was also relevant on shorter timescales – timescales where predictions had previously been made by purely deterministic means. Edward Epstein recognized in 1969 that the atmosphere could not be completely described with a single forecast run due to inherent uncertainty, and proposed a stochastic dynamic model that produced means and variances for the state of the atmosphere. Although these Monte Carlo simulations showed skill, in 1974 Cecil Leith revealed that they produced adequate forecasts only when the ensemble probability distribution was a representative sample of the probability distribution in the atmosphere. It was not until 1992 that ensemble forecasts began being prepared by the European Centre for Medium Range Weather Forecasts (ECMWF) and the National Centers for Environmental Prediction (NCEP).
Белгісіздікті бейнелеу әдістері
Ауа райының жиынтық болжамын жасағанда ескерілуі тиіс екі негізгі белгісіздік көзі бар: бастапқы жағдайдың белгісіздігі және модельдік белгісіздік.
There are two main sources of uncertainty that must be accounted for when making an ensemble weather forecast: initial condition uncertainty and model uncertainty.
Бастапқы шарттың белгісіздігі
Бастапқы жағдайдың белгісіздігі болжамның бастапқы жағдайларын бағалаудағы қателерден туындайды, атмосфераның шектеулі байқауларынан және атмосфералық айнымалылардың жағдайын өлшеу үшін спутниктік деректер сияқты тікелей емес өлшемдерді пайдаланудағы белгісіздіктерден де туындайды. Бастапқы жағдайдың белгісіздігі әртүрлі ансамбль мүшелері арасындағы бастапқы жағдайларды өзгерту арқылы көрсетіледі. Бұл атмосфераның қазіргі жағдайы туралы білімімізге сәйкес келетін бастапқы жағдайлардың диапазонын, сондай-ақ оның бұрынғы эволюциясын зерттейді. Осы бастапқы жағдайдың өзгертулерін жасаудың бірнеше тәсілі бар. ECMWF моделі, Ensemble Prediction System (EPS), бастапқы ықтималдық тығыздығын модельдеу үшін ерекше векторлар мен деректерді ассимиляциялаудың ансамблін (EDA) қолданады. Ерекше векторлық бұзылыстар қосымша тропиктерде белсендірек, ал EDA бұзылыстары тропиктерде белсендірек. NCEP ансамблі, Global Ensemble Forecasting System, векторлық өсіру деп аталатын әдісті пайдаланады.
Initial condition uncertainty arises due to errors in the estimate of the starting conditions for the forecast, both due to limited observations of the atmosphere, and uncertainties involved in using indirect measurements, such as satellite data, to measure the state of atmospheric variables. Initial condition uncertainty is represented by perturbing the starting conditions between the different ensemble members. This explores the range of starting conditions consistent with our knowledge of the current state of the atmosphere, together with its past evolution. There are a number of ways to generate these initial condition perturbations. The ECMWF model, the Ensemble Prediction System (EPS), uses a combination of singular vectors and an ensemble of data assimilations (EDA) to simulate the initial probability density. The singular vector perturbations are more active in the extra tropics, while the EDA perturbations are more active in the tropics. The NCEP ensemble, the Global Ensemble Forecasting System, uses a technique known as vector breeding.
Үлгілік белгісіздік
Модельдің белгісіздігі болжам моделінің мүмкіндіктерінің шектеулілігінен туындайды. Атмосфераны компьютерлік модельде көрсету процесі көптеген қарапайымдауларды қамтиды, мысалы, параметрлеу схемаларын жасау, бұл болжамға қателер енгізеді. Модельдің белгісіздігін көрсету үшін бірнеше техникалар ұсынылған.
Model uncertainty arises due to the limitations of the forecast model. The process of representing the atmosphere in a computer model involves many simplifications such as the development of parametrisation schemes, which introduce errors into the forecast. Several techniques to represent model uncertainty have been proposed.
Қате параметрлер схемалары
Параметрлеу схемасын әзірлеу кезінде физикалық процестерді жеңілдету үшін көптеген жаңа параметрлер енгізіледі. Бұл параметрлердің мәні өте белгісіз болуы мүмкін. Мысалы, "көшіру коэффициенті" құрғақ қоршаған орта ауасының конвективті бұлтқа араласуын көрсетеді, яғни бір сан арқылы күрделі физикалық процесті бейнелейді. Белгісіздік параметрлік тәсілінде модельдің параметрлеу схемаларындағы белгісіз параметрлер анықталып, ансамбль мүшелері арасында олардың мәні өзгертіледі. Климатты болжау сияқты ықтималдық климатты модельдеуде бұл параметрлер көбінесе бүкіл аумақта және интеграция бойында тұрақты сақталады. Ал қазіргі заманғы сандық ауа райы болжамында параметрлердің мәні уақыт және кеңістік бойынша стохастикалық түрде өзгертілуі жиі кездеседі. Параметрлердің өзгеру дәрежесі сарапшылар пікірімен немесе берілген модель үшін параметрлердің белгісіздік дәрежесін тікелей бағалау арқылы анықталады.
When developing a parametrisation scheme, many new parameters are introduced to represent simplified physical processes. These parameters may be very uncertain. For example, the 'entrainment coefficient' represents the turbulent mixing of dry environmental air into a convective cloud, and so represents a complex physical process using a single number. In a perturbed parameter approach, uncertain parameters in the model's parametrisation schemes are identified and their value changed between ensemble members. While in probabilistic climate modelling, such as climateprediction. net, these parameters are often held constant globally and throughout the integration, in modern numerical weather prediction it is more common to stochastically vary the value of the parameters in time and space. The degree of parameter perturbation can be guided using expert judgement, or by directly estimating the degree of parameter uncertainty for a given model.
Стохастикалық параметрлеулер
Дәстүрлі параметрлеу схемасы субжелілік масштабтағы қозғалыстың (мысалы, конвективтік бұлттардың) шешілген масштабтағы күйге (мысалы, ірі масштабты температура және жел өрістеріне) тигізетін орташа әсерін бейнелеуге тырысады. Стохастикалық параметрлеу схемасы белгілі бір шешілген масштабтағы күйге сәйкес келетін көптеген субжелілік масштабтағы күйлер болуы мүмкін екенін мойындайды. Ең мүмкін субжелілік масштабтағы қозғалысты болжаудың орнына, стохастикалық параметрлеу схемасы субжелінің бір мүмкін іске асырылуын көрсетеді. Ол бұл үшін қозғалыс теңдеулеріне кездейсоқ сандарды енгізеді. Бұл белгісіз процестерге тағайындалған ықтималдық таралуынан үлгі алуға мүмкіндік береді. Стохастикалық параметрлеулер ауа райын болжау модельдерінің дәлдігін едәуір арттырды және бүкіл әлемдегі операциялық болжау орталықтарында қолданылуда. Стохастикалық параметрлеулер алғаш рет Еуропалық орта мерзімдік ауа райы болжау орталығында әзірленген.
A traditional parametrisation scheme seeks to represent the average effect of the sub grid scale motion (e. g. convective clouds) on the resolved scale state (e. g. the large scale temperature and wind fields). A stochastic parametrisation scheme recognises that there may be many sub grid scale states consistent with a particular resolved scale state. Instead of predicting the most likely sub grid scale motion, a stochastic parametrisation scheme represents one possible realisation of the sub grid. It does this through including random numbers into the equations of motion. This samples from the probability distribution assigned to uncertain processes. Stochastic parametrisations have significantly improved the skill of weather forecasting models, and are now used in operational forecasting centres worldwide. Stochastic parametrisations were first developed at the European Centre for Medium Range Weather Forecasts.
Көп модельді жиынтықтар
Болжам жасау үшін көптеген түрлі болжау модельдері қолданылғанда, бұл тәсіл көп модельдік ансамбльдік болжау деп аталады. Бұл әдіс, бір модельге негізделген болжамға қарағанда, болжамның дәлдігін арттыруға мүмкіндік береді. Көп модельдік ансамбльдегі модельдер өздерінің түрлі қателіктеріне қарай түзетілгенде, бұл процеске "супер ансамбльдік болжау" деп аталады. Осындай болжам модельдердің нәтижесіндегі қателерді айтарлықтай төмендетеді. Егер әртүрлі физикалық процестердің модельдері, мысалы атмосфералық, мұхит және толқын модельдері біріктірілсе, онда көп модельдік ансамбль гипер ансамбль деп аталады.
When many different forecast models are used to try to generate a forecast, the approach is termed multi model ensemble forecasting. This method of forecasting can improve forecasts when compared to a single model based approach. When the models within a multi model ensemble are adjusted for their various biases, this process is known as "superensemble forecasting". This type of a forecast significantly reduces errors in model output. When models of different physical processes are combined, such as combinations of atmospheric, ocean and wave models, the multi model ensemble is called hyper ensemble.
Ықтималдықты бағалау
Ансамбльдік болжам әдетте бір болжамдық айнымалы үшін жеке болжамдардың ансамбльдік орташасын сол айнымалының ("қателік") байқалған мәнімен салыстыру арқылы бағаланады. Бұл, ансамбльдік жүйедегі әртүрлі болжамдар арасындағы келісім дәрежесін қарастырумен біріктіріледі, ол олардың жалпы стандартты ауытқуымен немесе "таралумен" көрсетіледі. Ансамбль таралуын болашақтағы белгілі бір уақыт кезеңдеріндегі болжамдық диаграммаларда бір шаманың таралуын көрсететін спагетти диаграммалары сияқты құралдар арқылы визуализациялауға болады. Ансамбль таралуы қолданылатын тағы бір құрал – метеограмма, ол бір нақты орналасқан жер үшін бір шаманың болжамындағы таралуды көрсетеді. Ансамбль таралуының тым кішкентай болуы жиі кездеседі, соның салдарынан байқалатын атмосфералық жағдай ансамбльдік болжам шегінен шығып кетеді. Бұл болжам жасаушының өзінің болжамына артық сенуіне алып келуі мүмкін, әсіресе модельдің белгісіздігі болжамда ескерілмесе.
The ensemble forecast is usually evaluated by comparing the ensemble average of the individual forecasts for one forecast variable to the observed value of that variable (the "error"). This is combined with consideration of the degree of agreement between various forecasts within the ensemble system, as represented by their overall standard deviation or "spread". Ensemble spread can be visualised through tools such as spaghetti diagrams, which show the dispersion of one quantity on prognostic charts for specific time steps in the future. Another tool where ensemble spread is used is a meteogram, which shows the dispersion in the forecast of one quantity for one specific location. It is common for the ensemble spread to be too small, such that the observed atmospheric state falls outside of the ensemble forecast. This can lead the forecaster to be overconfident in their forecast. particularly if model uncertainty is not accounted for in the forecast.
Сенімділік және ажырату қабілеті (калибрлеу және өткірлік)
Ансамбльдің таралуы болжаушының өзінің болжамына қаншалықты сенімді бола алатынын көрсетеді. Егер ансамбль таралуы кішкентай болса және модельдік есептеулердің нәтижелері бірнеше рет орындалғанда үйлесімді болса, болжаушылар жалпы болжамға көбірек сенімділікпен қарайды. Егер таралу үлкен болса, бұл болжамның сенімсіздігін көрсетеді. Идеалды жағдайда, таралу мен дағды арасындағы байланыс болуы керек, яғни ансамбльдің таралуы ансамбльдің орташа мәніндегі күтілетін қателікті дұрыс болжауы тиіс. Егер болжам сенімді болса, байқалатын жағдай, болжамдық ықтималдық таралуынан алынғандай болады. Сенімділікті (немесе калибрлеуді) ансамбльдің орташа мәніндегі қателіктің стандартты ауытқуын болжамдық таралумен салыстыру арқылы бағалауға болады: сенімді болжам үшін екеуі де әртүрлі болжам уақытында және әртүрлі орналасқан жерлерде сәйкес келуі керек. Сонымен қатар, нақты бір ауа райы құбылысының болжамының сенімділігін де бағалауға болады. Мысалы, егер 50 мүшеден 30-ы келесі 24 сағат ішінде 1 см-ден артық жауын-шашын күтілсе, 1 см-ден асып түру ықтималдығы 60% деп есептелуі мүмкін. Егер бұрынғыда 60% ықтималдық болжаған жағдайлардың 60% -ында жауын-шашын шынымен 1 см-ден асып кеткен болса, онда бұл болжам сенімді деп есептеледі. Іс жүзінде, операциялық ауа райы ансамбль болжамдарынан алынған ықтималдықтар аса сенімді емес, бірақ өткен болжамдардың (қайта есептеулер немесе ретроспективтік есептеулер) және байқаулар жиынтығымен ансамбльден алынған ықтималдық бағалауларын сенімділікті арттыру үшін түзетуге болады. Ансамбльдік болжамдардың тағы бір қажетті қасиеті – ажыратымдылық. Бұл болжамның климаттық оқиғалардың жиілігінен қаншалықты өзгеше екенін көрсетеді. Егер ансамбль сенімді болса, бұл өзгешелікті арттыру болжамның пайдалылығын арттырады. Бұл болжамның сапасын өткірлік тұрғысынан да қарастыруға болады, яғни болжам таралуының қаншалықты кішкентай екендігін бағалауға болады. Болжаушының басты мақсаты – сенімділікті сақтай отырып, өткірлікті барынша арттыру. Ұзақ мерзімді болжаулар, әдетте, аса өткір болмайды (жоғары ажыратымдылыққа ие болмайды), өйткені бастапқы жағдайдағы қателер (көбінесе шағын) болжам уақыты ұзарған сайын өседі, екі модельдік жағдай арасындағы күтілетін айырмашылық болжам моделінің климатынан алынған екі кездейсоқ жағдай арасындағы айырмашылықтан асып кетеді.
The spread of the ensemble forecast indicates how confident the forecaster can be in his or her prediction. When ensemble spread is small and the forecast solutions are consistent within multiple model runs, forecasters perceive more confidence in the forecast in general. When the spread is large, this indicates more uncertainty in the prediction. Ideally, a spread skill relationship should exist, whereby the spread of the ensemble is a good predictor of the expected error in the ensemble mean. If the forecast is reliable, the observed state will behave as if it is drawn from the forecast probability distribution. Reliability (or calibration) can be evaluated by comparing the standard deviation of the error in the ensemble mean with the forecast spread: for a reliable forecast, the two should match, both at different forecast lead times and for different locations. The reliability of forecasts of a specific weather event can also be assessed. For example, if 30 of 50 members indicated greater than 1 cm rainfall during the next 24 h, the probability of exceeding 1 cm could be estimated to be 60%. The forecast would be considered reliable if, considering all the situations in the past when a 60% probability was forecast, on 60% of those occasions did the rainfall actually exceed 1 cm. In practice, the probabilities generated from operational weather ensemble forecasts are not highly reliable, though with a set of past forecasts (reforecasts or hindcasts) and observations, the probability estimates from the ensemble can be adjusted to ensure greater reliability. Another desirable property of ensemble forecasts is resolution. This is an indication of how much the forecast deviates from the climatological event frequency – provided that the ensemble is reliable, increasing this deviation will increase the usefulness of the forecast. This forecast quality can also be considered in terms of sharpness, or how small the spread of the forecast is. The key aim of a forecaster should be to maximise sharpness, while maintaining reliability. Forecasts at long leads will inevitably not be particularly sharp (have particularly high resolution), for the inevitable (albeit usually small) errors in the initial condition will grow with increasing forecast lead until the expected difference between two model states is as large as the difference between two random states from the forecast model's climatology.
Ұжымдық болжамдарды калибрлеу
Егер жиынтық болжамдар ауа райының байқалған айнымалыларының ықтималдықтарын болжау үшін қолданылса, олар бұрмаланбаған және сенімді болжамдар жасау үшін калибрлеуді қажет етеді. Температураны болжау үшін калибрлеудің қарапайым және тиімді әдісі – сызықтық регрессия, бұл жағдайда көбінесе модельдік шығыс статистикасы деп аталады. Сызықтық регрессия моделі жиынтық орташаны нақты температураның болжаушысы ретінде қабылдайды, жиынтық мүшелерінің орташа шамасы бойынша үлестірілімін ескермейді және регрессиядан қалғандардың үлестірілімін пайдалана отырып, ықтималдықтарды болжайды. Осы калибрлеуде жиынтықтың болжамды жақсартудағы құндылығы – жиынтық орташа көрсеткіші әдетте кез келген жеке жиынтық мүшесіне қарағанда жақсы болжам береді, ал жиынтық мүшелерінің орташа шамадағы ені немесе пішіні бойынша таралуындағы кез келген ақпаратқа байланысты емес. Алайда, 2004 жылы сызықтық регрессияның жалпылама түрі (қазіргі кезде Біртекті емес Гаусс регрессиясы деп белгілі) енгізілді, ол болжамдық үлестірудің енін беру үшін жиынтық таралуының сызықтық түрлендіруін қолданады, және бұл тек сызықтық регрессияға негізделген болжамдарға қарағанда жоғары нәтижелі болжамдар жасауға мүмкіндік беретіні көрсетілді. Бұл алғаш рет жиынтықтың мүшелерінің орташа шамасы бойынша үлестірілімінің түріндегі ақпарат, осы жағдайда жиынтық таралуымен қорытындыланған, сызықтық регрессияға қарағанда болжамдарды жақсарту үшін пайдаланылатынын дәлелдеді. Сызықтық регрессияны осылай жиынтық таралуын қолдану арқылы жеңуге бола ма, жоқ па, бұл болжам жүйесіне, болжам айнымалысына және уақытқа байланысты өзгереді.
If ensemble forecasts are to be used for predicting probabilities of observed weather variables they typically need calibration in order to create unbiased and reliable forecasts. For forecasts of temperature one simple and effective method of calibration is linear regression, often known in this context as model output statistics. The linear regression model takes the ensemble mean as a predictor for the real temperature, ignores the distribution of ensemble members around the mean, and predicts probabilities using the distribution of residuals from the regression. In this calibration setup the value of the ensemble in improving the forecast is then that the ensemble mean typically gives a better forecast than any single ensemble member would, and not because of any information contained in the width or shape of the distribution of the members in the ensemble around the mean. However, in 2004, a generalisation of linear regression (now known as Nonhomogeneous Gaussian regression) was introduced that uses a linear transformation of the ensemble spread to give the width of the predictive distribution, and it was shown that this can lead to forecasts with higher skill than those based on linear regression alone. This proved for the first time that information in the shape of the distribution of the members of an ensemble around the mean, in this case summarized by the ensemble spread, can be used to improve forecasts relative to linear regression. Whether or not linear regression can be beaten by using the ensemble spread in this way varies, depending on the forecast system, forecast variable and lead time.
Болжаудағы өзгерістердің көлемін болжау
Белгісіздікті болжауды жақсартумен қатар, ансамбльді таралу орташа болжамның бір болжамнан екіншісіне өзгеруінің ықтимал мөлшерін болжау үшін де қолданылуы мүмкін. Бұл мынадай себеппен жұмыс істейді: кейбір ансамбльдік болжау жүйелерінде тар ансамбльдер орташа мәннің аз өзгеруіне дейін, ал кең ансамбльдер орташа мәннің үлкен өзгеруіне дейін келеді. Бұл болашақ болжамдардың қаншалықты өзгеруі мүмкін екенін түсінуі маңызды сауда салалары үшін пайдалы болуы мүмкін.
In addition to being used to improve predictions of uncertainty, the ensemble spread can also be used as a predictor for the likely size of changes in the mean forecast from one forecast to the next. This works because, in some ensemble forecast systems, narrow ensembles tend to precede small changes in the mean, while wide ensembles tend to precede larger changes in the mean. This has applications in the trading industries, for whom understanding the likely sizes of future forecast changes can be important.
Үйлестірілген зерттеулер
Наблюдение жүйесі зерттеулері және болжамдылық эксперименті (THORPEX) – қоғамның, экономиканың және қоршаған ортаның мүддесі үшін бір күндік және екі апталық күшті әсер ететін ауа райы болжамдарының дәлдігін арттыруды үдетуге бағытталған 10 жылдық халықаралық ғылыми-зерттеу және даму бағдарламасы. Ол ауа райы зерттеулері мен болжамдау мәселелерін шешетін ұйымдық құрылымды құрады, олардың шешімдері академиялық мекемелер, операциялық болжам орталықтары және болжам өнімдерін пайдаланушылар арасындағы халықаралық ынтымақтастық арқылы жеделдетіледі. Оның маңызды бөлігі – THORPEX Interactive Grand Global Ensemble (TIGGE), адамзаттың игілігі үшін бір күндік және екі апталық күшті әсер ететін ауа райы болжамдарының дәлдігін арттыруды үдетуге арналған Дүниежүзілік ауа райы зерттеу бағдарламасы. Көптеген халықаралық орталықтардан алынған ансамбльдік модельдердің болжамдық деректерінің біріктірілген архиві кең ауқымды деректермен бөлісуге және зерттеулер жүргізуге мүмкіндік береді.
The Observing System Research and Predictability Experiment (THORPEX) is a 10 year international research and development programme to accelerate improvements in the accuracy of one day to two week high impact weather forecasts for the benefit of society, the economy and the environment. It establishes an organizational framework that addresses weather research and forecast problems whose solutions will be accelerated through international collaboration among academic institutions, operational forecast centres and users of forecast products. One of its key components is THORPEX Interactive Grand Global Ensemble (TIGGE), a World Weather Research Programme to accelerate the improvements in the accuracy of 1 day to 2 week high impact weather forecasts for the benefit of humanity. Centralized archives of ensemble model forecast data, from many international centers, are used to enable extensive data sharing and research.