Các quy tắc chấm điểm chính xác dựa trên biến thiên cho các dự báo xác suất về các đại lượng đa biến*
Tóm tắt
Các quy tắc chấm điểm chính xác cung cấp một khuôn khổ lý thuyết để đánh giá định lượng hiệu suất dự đoán của các dự báo xác suất. Trong khi có nhiều quy tắc chấm điểm cho các số liệu một biến, có rất ít quy tắc cho các đại lượng đa biến, và nhiều quy tắc trong số đó yêu cầu các dự báo được đưa ra dưới dạng hàm mật độ xác suất. Điểm năng lượng, một tổng quát đa biến của điểm xác suất phân loại liên tục, là điểm duy nhất được sử dụng phổ biến có thể áp dụng trong trường hợp quan trọng của các dự báo tổ hợp, nơi mà phân phối dự đoán đa biến được đại diện bởi một mẫu hữu hạn. Tuy nhiên, khả năng của nó trong việc phát hiện các mối tương quan được xác định không chính xác giữa các thành phần của đại lượng đa biến có phần hạn chế. Trong bài báo này, các tác giả trình bày một lớp quy tắc chấm điểm chính xác thay thế dựa trên khái niệm địa chất về biến thiên. Độ nhạy của các quy tắc chấm điểm dựa trên biến thiên đối với các giá trị trung bình, phương sai, và mối tương quan được dự đoán không chính xác được nghiên cứu qua một số ví dụ với các quan sát và dự báo được mô phỏng; chúng thể hiện sự phân loại rõ rệt hơn liên quan đến cấu trúc tương quan. Kết luận này được xác nhận trong một nghiên cứu trường hợp với các dự báo tốc độ gió đã được xử lý hậu kỳ tại năm địa điểm của các công viên gió ở Colorado.
Từ khóa
Tài liệu tham khảo
Anderson, 1996, A method for producing and evaluating probabilistic forecasts from ensemble model integrations, J. Climate, 9, 1518, 10.1175/1520-0442(1996)009<1518:AMFPAE>2.0.CO;2
Berrocal, 2007, Combining spatial statistical and ensemble information in probabilistic weather forecasts, Mon. Wea. Rev., 135, 1386, 10.1175/MWR3341.1
Bruno, 1989
Buizza, 2005, A comparison of the ECMWF, MSC, and NCEP global ensemble prediction systems, Mon. Wea. Rev., 133, 1076, 10.1175/MWR2905.1
Cressie, 1998, The variance-based cross-variogram: You can add apples and oranges, Math. Geol., 30, 789, 10.1023/A:1021770324434
Dawid, 1999, Coherent dispersion criteria for optimal experimental design, Ann. Stat., 27, 65, 10.1214/aos/1018031101
Emery, 2005, Variograms of order ω: A tool to validate a bivariate distribution model, Math. Geol., 37, 163, 10.1007/s11004-005-1307-4
Feldmann, 2015, Spatial postprocessing of ensemble forecasts for temperature using nonhomogeneous Gaussian regression, Mon. Wea. Rev., 143, 955, 10.1175/MWR-D-14-00210.1
Fricker, 2013, Three recommendations for evaluating climate predictions, Meteor. Appl., 20, 246, 10.1002/met.1409
Gneiting, 2011, Making and evaluating point forecasts, J. Amer. Stat. Assoc., 106, 746, 10.1198/jasa.2011.r10138
Gneiting, 2007, Strictly proper scoring rules, prediction, and estimation, J. Amer. Stat. Assoc., 102, 359, 10.1198/016214506000001437
Gneiting, 2014, Probabilistic forecasting, Ann. Rev. Stat. Appl., 1, 125, 10.1146/annurev-statistics-062713-085831
Gneiting, 2007, Probabilistic forecasts, calibration and sharpness, J. Roy. Stat. Soc., 69B, 243, 10.1111/j.1467-9868.2007.00587.x
Gneiting, 2008, Assessing probabilistic forecasts of multivariate quantities, with an application to ensemble predictions of surface winds, TEST, 17, 211, 10.1007/s11749-008-0114-x
Hamill, 1999, Hypothesis tests for evaluating numerical precipitation forecasts, Wea. Forecasting, 14, 155, 10.1175/1520-0434(1999)014<0155:HTFENP>2.0.CO;2
Hamill, 2001, Interpretation of rank histograms for verifying ensemble forecasts, Mon. Wea. Rev., 129, 550, 10.1175/1520-0493(2001)129<0550:IORHFV>2.0.CO;2
Hamill, 1997, Verification of Eta-RSM short-range ensemble forecasts, Mon. Wea. Rev., 125, 1312, 10.1175/1520-0493(1997)125<1312:VOERSR>2.0.CO;2
Hamill, 2001, Distance-dependent filtering of background error covariance estimates in an ensemble Kalman filter, Mon. Wea. Rev., 129, 2776, 10.1175/1520-0493(2001)129<2776:DDFOBE>2.0.CO;2
Hamill, 2003, Ensemble forecasts and the properties of flow-dependent analysis-error covariance, Mon. Wea. Rev., 131, 1741, 10.1175/2559.1
Hamill, 2013, NOAA’s second-generation global medium-range ensemble reforecast dataset, Bull. Amer. Meteor. Soc., 94, 1553, 10.1175/BAMS-D-12-00014.1
Hersbach, 2000, Decomposition of the continuous ranked probability score for ensemble prediction systems, Wea. Forecasting, 15, 559, 10.1175/1520-0434(2000)015<0559:DOTCRP>2.0.CO;2
Houtekamer, 2001, A sequential ensemble Kalman filter for atmospheric data assimilation, Mon. Wea. Rev., 129, 123, 10.1175/1520-0493(2001)129<0123:ASEKFF>2.0.CO;2
Jung, 2008, Scale-dependent verification of ensemble forecasts, Quart. J. Roy. Meteor. Soc., 134, 973, 10.1002/qj.255
Matérn, 1986
Pinson, 2012, Evaluating the quality of scenarios of short-term wind power generation, Appl. Energy, 96, 12, 10.1016/j.apenergy.2011.11.004
Pinson, 2013
Roulston, 2002, Evaluating probabilistic forecasts using information theory, Mon. Wea. Rev., 130, 1653, 10.1175/1520-0493(2002)130<1653:EPFUIT>2.0.CO;2
Schefzik, 2013, Uncertainty quantification in complex simulation models using ensemble copula coupling, Stat. Sci., 28, 616, 10.1214/13-STS443
Smith, 2004, Extending the limits of ensemble forecast verification with the minimum spanning tree, Mon. Wea. Rev., 132, 1522, 10.1175/1520-0493(2004)132<1522:ETLOEF>2.0.CO;2
Thorarinsdottir, 2010, Probabilistic forecasts of wind speed: Ensemble model output statistics using heteroskedastic censored regression, J. Roy. Stat. Soc., 173A, 371, 10.1111/j.1467-985X.2009.00616.x
Wilks, 2004, The minimum spanning tree histogram as verification tool for multidimensional ensemble forecasts, Mon. Wea. Rev., 132, 1329, 10.1175/1520-0493(2004)132<1329:TMSTHA>2.0.CO;2
Wilks, 2014, Multivariate ensemble Model Output Statistics using empirical copulas, Quart. J. Roy. Meteor. Soc., 10.1002/qj.2414