Више

5.7.9: Пробабилистичко предвиђање - геознаности

5.7.9: Пробабилистичко предвиђање - геознаности


Преглед

Сада се окрећемо вероватноћа предвиђања. Примери вероватноће су:

  1. Шанса за ваш добитак на лутрији,
  2. Шанса да вас удари чеони судар на аутопуту, или
  3. Шанса да вам кућа буде уништена ватром.

Иако не знате да ли ћете добити на лутрији или ће вам кућа изгорети, вероватноћа или вероватноћа ових исхода довољно је позната да лутрије и коцкарнице могу да послују са добитком. Осигурање од фронталног судара или пожара у кући можете купити по довољно ниској стопи да је то у могућности већине људи, а осигуравајуће друштво може показати профит (видети поглавље 10).

У вероватноћном предвиђању земљотреса користимо геодезију, геологију, палеоизмологију и сеизмичност да бисмо размотрили вероватноћу већег земљотреса у датом региону или на одређеном раслоју негде у будућности. Обично се бира временски оквир од тридесет до педесет година, јер је то приближно дужини хипотеке на кућу и вероватно ће бити у домету пажње политичких лидера и шире јавности. Једногодишњи временски оквир дао би вероватноћу прениску да привуче пажњу државног законодавства или гувернера, док стогодишњи временски оквир, дужи од већине животних распона, можда неће бити схваћен озбиљно, иако би вероватноћа бити много већи.

Бено Гутенберг и Цхарлес Рицхтер из Цалтецха су 1954. године проучавали инструменталну сеизмичност различитих региона широм света и приметили систематски однос између јачине и учесталости земљотреса мале до средње величине. Земљотреси датог интервала магнитуде десетак су пута чешћи од земљотреса наредне веће магнитуде (слика 7-3). Одступање криве од праве линије при малим магнитудама објашњава се немогућношћу сеизмографа да мере врло мале земљотресе. Ови мали догађаји би се открили само када су близу сеизмографа; други који су даље пропустили би се. Тако су Гутенберг и Рицхтер закључили да ако сеизмографи могу измерити све догађаје, они ће пасти на исту праву као и већи догађаји који ће сигурно бити откривени, без обзира где се они дешавају у региону од интереса. Имајте на уму да је слика 7-3 логаритамска, што значи да су веће јединице десет пута веће од мањих.

Ово је познато као Однос Гутенберг-Рицхтер (Г-Р) за дато подручје. Ако је крива равна линија, тада би се могло екстраполовати само неколико година сеизмографских записа земљотреса мале јачине да би се предвидело колико често ће се дешавати земљотреси веће јачине који нису обухваћени скупом података.

Мана у претпоставкама уграђеним у везу (или, тачније, злоупотреба везе коју нису намеравали Гутенберг и Рицхтер) је та што ће линија и даље бити равна за земљотресе много веће од оних који су већ измерени. На пример, ако је Гутенберг-Рицхтерова крива предвидела један земљотрес М 7 у десет година за регион, то би подразумевало један М 8 на сто година, један М 9 на хиљаду година и један М 10 на десет хиљада година! Јасно је да то не може бити тако, јер се зна да није било земљотреса већег од М 9,5. Цларенце Аллен из Цалтецх-а је истакао да би, ако је једна грешка пукла око Земље, што је немогућа претпоставка, јачина земљотреса била само 10,6. Дакле, однос Гутенберг-Рицхтер, који се користи (или злоупотребљава) на овај начин, заказује нас тамо где нам је најпотребнији, у прогнозирању учесталости највећих земљотреса који су најразорнији за друштво.

Рои Хиндман и његови сарадници у Пацифиц Геосциенце Центер-у конструисали су Гутенберг-Рицхтерову криву за земљотресе у кори у регионима Пугет Соунд и јужном делу Џорџијског теснаца (слика 7-4). Временски период њихове анализе је прилично кратак, јер је само у последњих двадесет година било могуће одвојити земљотресе у кори од оних на основној плочи Хуана де Фуке. Имају поуздане податке о земљотресима јачине 3,5 до 5 и мање поуздане податке о јачинама до око 6,2. Крива фреквенције значи један земљотрес магнитуде 3,6 сваке године и 0,1 земљотрес магнитуде 5,1 сваке године (или један земљотрес те јачине сваких десет година). Проширење кривине правом линијом предвиђало би један земљотрес магнитуде 6 на сваких педесет година.

Хиндман и његове колеге пратили су модерну праксу и нису екстраполирали однос Г-Р као праву линију на још веће величине. Показали су линију која се савија према доле како би се приближила вертикалној линији, што би била максимална величина, коју су проценили као М 7,3 до 7,7. То би довело до земљотреса јачине 7 степени на сваких четири стотине година. Остале процене засноване на геологији доводе до максималне магнитуде (МЦЕ) од 7,3, што је детерминистичка процена. Под претпоставком да се већина крајевског скраћивања добијеног од ГПС-а између јужног Вашингтона и јужне Британске Колумбије одвија земљотресима, у овој зони би требало да буде земљотрес у земљи на сваких четири стотине година. Последњи земљотрес на раседу у Сијетлу догодио се пре отприлике једанаест година, али претпоставља се да би други расједи у овом региону, попут расједа Тацома или расједа Соутхерн Вхидбеи Исланд, могли надокнадити разлику. Тако геологија и тектонска геодезија дају процене упоредиве са Гутенберг-Рицхтеровом проценом за земљотресе М 7 све док Г-Р не прати праву линију за највеће магнитуде.

Ова анализа ради за Пугет Соунд и Џорџијски пролаз, где постоји велика количина инструменталне сеизмичности. Претпоставља се да што је више земљотреса забележено на сеизмограмима, то је већа вероватноћа за много веће земљотресе у будућности. Претпоставимо да је у вашем региону било више земљотреса јачине испод 7 него што је крива приказана на слици 7-3. То би подразумевало већи број великих земљотреса и већу опасност. У почетку се ово чини логичним. Ако с времена на време осетите последице малих земљотреса, већа је вероватноћа да ћете бринути о већим.

Ипак, инструментална сеизмичност расједа Сан Андреас доводи до потпуно супротног закључка. Они делови расједа Сан Андреас који су пукли у великим земљотресима 1857. и 1906. данас су сеизмички врло тихи. Ово је приказано на слици 7-5, мапи сеизмичности централне Калифорније, са подручјем залива Сан Франциско у његовом северозападном углу. Расјед Сан Андреас протеже се од горњег левог до доњег десног угла ове карте. Они делови расједа Сан Андреас који често испуштају земљотресе средње величине, попут Паркфиелда и подручја северозападно од Паркфиелда, истичу се на мапи сеизмичности. Квар је најслабији на овом подручју и мало је вероватно да ће у њему бити ускладиштено довољно енергије напрезања да се ослободи земљотрес јачине 7 степена. Међутим, квар на северозападном углу карте (део пукнућа М 7,9 из 1906) има релативно ниска инструментална сеизмичност, а расјед у југоисточном углу (део пукнућа 1857. године, такође М 7.9) уопште није обележен земљотресима. Сегменти расједа са најмањом инструменталном сеизмичношћу имају потенцијал за највећи земљотрес, готово јачине 8 степени.

Зона поткопавања Цасцадиа у основи има нулту инструменталну сеизмичност северно од Калифорније (слика 4-13). Ипак, геолошки докази и поређења са другим субдукционим зонама пружају уверљиве доказе да је Цасцадиа пукла у земљотресима јачине 9 степени, последњи у јануару 1700. године.

То показује да Гутенберг-Рицхтерова екстраполација на веће магнитуде делује у оним областима у којима има много земљотреса мале до средње величине, али не и тамо где је квар потпуно закључан. Сеизмичност, којом се мери ослобађање ускладиштене енергије еластичног напрезања, зависи од јачине коре која се проучава. Релативно слаб квар попут расједа Сан Андреас на Паркфиелду имао би много малих земљотреса, јер кора није могла да ускладишти довољно напрезања да ослободи велики. Снажна грешка попут расједа Сан Андреас сјеверно од Сан Франциска ослободила би мало или нимало земљотреса све док се сој не би накупио довољно да пукне кора у врло великом земљотресу, попут земљотреса 18. априла 1906.

Палеосеизмологија потврђује проблеме у коришћењу односа Гутенберг-Рицхтер за предвиђање учесталости великих земљотреса. Даве Сцхвартз и Кевин Цопперсмитх, тада из Воодвард-Цлиде Цонсултантс-а у Сан Франциску, успели су да идентификују појединачне земљотресе у ровокопачким рововима ископавања активних расједа у Јути и Калифорнији на основу померања седиментних слојева у рововима. Открили су да су отклони квара обично приближно једнаки за различите земљотресе у истом ровокопачу, што сугерише да су земљотреси који изазивају отклоне квара обично приближно исте величине. То их је довело до концепта карактеристичних земљотреса: дати сегмент квара производи земљотрес исте величине сваки пут када пукне на површину. То би нам омогућило да прекопамо ровове ровокопача преко сумњивог квара, утврдимо клизање на последњем пукнућу земљотреса (по могућности на више од једног случаја руптуре) и прогнозирамо величину следећег земљотреса. У поређењу са Гутенберг-Рицхтеровом кривом за исти расјед, која се заснива на инструменталној сеизмичности, карактеристични земљотрес могао би бити већи или мањи него што би праволинијска екстраполација предвидела. Даље, Гутенбергова-Рихтерова крива не може се користити за екстраполацију на величине земљотреса веће од карактеристичног земљотреса. Карактеристични земљотрес је јак колико икад добије на тој одређеној грешки.

Пре него што се превише импресионирамо карактеристичном земљотресном идејом, морамо рећи да су тамо где је добро позната палеосеизмичка историја квара, попут оног дела расједа Сан Андреас који је пукао 1857. године, неки земљотреси који су пукли на површини већи него други, још један начин да се каже да нису карактеристични сви велики земљотреси на расједу Сан Андреас. Слично томе, иако се слажемо да је последњи земљотрес у Субдукционој зони Цасцадиа био јачине 9 степена, докази са спласнутих мочвара у заливу Виллапа у Вашингтону (слика 4-10а) и турбидити генерисани земљотресима (слика 4-9) сугеришу да неки ранијих су можда били мањи или већи од М 9.

Ова дискусија сугерише да не може постојати значајна веза између односа Гутенберг-Рицхтер за мале догађаје и понављања и величине великих земљотреса. Да би овај однос имао смисла, период инструменталног посматрања треба да буде хиљадама година. Нажалост, сеизмографи раде само нешто дуже од једног века, тако да то још увек није опција.

Пре разматрања пробабилистичке анализе за подручје залива Сан Франциско у северној Калифорнији, неопходно је увести принцип неизвесности. Практично нема неизвесности у предвиђању осека и осека, помрачења Сунца или Месеца, па чак ни повратног периода Халејеве комете. Ови догађаји се заснивају на добро схваћеним путањама Месеца, Сунца и других небеских тела. Нажалост, интервал понављања земљотреса контролишу многе променљиве, како смо сазнали у Паркфиелду. Јачина квара се може мењати од земљотреса до земљотреса. Други земљотреси могу измијенити накупљање оптерећења на расједу, као што је то могао учинити земљотрес Цоалинга из 1983. године за предвиђени земљотрес Паркфиелд који се није догодио 1988. године. Зашто данас једно дрво у шуми пада, али његов сусјед исте старости и треба проћи још стотину година за исто окружење раста? То је врста неизвесности са којом се суочавамо са предвиђањем земљотреса.

Како се носити са овом неизвесношћу? Слика 7-6 приказује криву вероватноће за понављање следећег земљотреса у датом подручју или дуж датог квара. Време у годинама напредује слева удесно, почевши од нуле у време претходног земљотреса. Шанса за земљотрес у одређено време од последњег земљотреса у почетку се повећава према горе. Крива је у то време највиша. Мислимо да ће се земљотрес највероватније догодити (просечни интервал понављања), а затим ће се крива спустити удесно. Уверени смо да ће до земљотреса сигурно доћи док се кривина спусти на скоро нулу на десној страни кривине.

Графикон на слици 7-6 има тамнији опсег, што представља временски оквир од интереса у нашој прогнози вероватноће. Лева страна тамног појаса је данас, а десна је крај нашег временског оквира, обично за тридесет година, колико траје већина хипотека код куће. Постоји одређена вероватноћа да ће се земљотрес догодити током временског оквира који смо одабрали.

Ово је слично временској прогнози, осим што говоримо о тридесетогодишњој, а не петодневној прогнози. Ако метеоролог у вестима од шест сати каже да сутра постоји 70 одсто шансе за кишу, то такође значи да постоји 30 одсто шансе да хоће не киша сутра. Прогнозер времена је често „погрешан“ јер се заправо остварује мање вероватан исход. Прогнозер земљотреса такође има шансе да се догоди мање вероватни исход, као што је био случај за прогнозу Паркфиелда 1988. године.

Замислите да укључите ТВ и добијете тридесетогодишњу прогнозу земљотреса. ТВ сеизмолог каже: „Постоји 70 одсто шанси за земљотрес јачине 6,7 или више у нашем региону у наредних тридесет година.“ Људи који живе у подручју залива Сан Франциска заправо су добили ову прогнозу у октобру 1999. године, покривајући тридесетогодишњи период који је почео у јануару 2000. То можда неће утицати на њихове планове одмора, али би требало утицати на њихове грађевинске кодове и стопе осигурања. То такође значи да би подручје залива Сан Франциска могло не имају земљотрес од 6,7 или више у наредних тридесет година (слика 7-7). О тој прогнози више касније.

Како да нацртамо нашу криву вероватноће? Узимамо у обзир све што знамо: учесталост земљотреса заснованих на историјским записима и геолошким (палеосеизмичким) доказима, дугорочну геолошку стопу кретања квара итд. Сазива се панел стручњака који ће расправљати о разним доказним линијама и постићи консензус, назван логичким стаблом, о вероватноћама. Расправа је често жестока и у неким случајевима се можда неће постићи договор. Нисмо сигурни ни да је крива на слици 7-6 најбољи начин за предвиђање земљотреса. Процес би могао бити нерегуларнији, чак и хаотичан.

Наша крива вероватноће има облик који има, јер знамо нешто о томе када ће се догодити следећи земљотрес, на основу претходне историје земљотреса, брзине клизања итд. Али претпоставимо да нисмо знали ништа о томе када ће се догодити следећи земљотрес; то јест, наш скуп података није имао „сећање“ на последњи земљотрес који би нас водио. Земљотрес би имао једнаку вероватноћу да удари једне године као и следеће, а „крива“ вероватноће била би равна хоризонтална линија. То је иста вероватноћа која контролише вашу шансу да бацате новчић и окренете га горе: 50 процената. Тада бисте могли окренути новчић и добити главе следећих пет пута, али шести пут вероватноћа да ћете добити главе била би иста као када сте започели: 50 процената.

Међутим, наша крива вероватноће има облик звона; „сећа се“ да је претходно био земљотрес на истом прелому или у истој регији. Знамо да ће се догодити још један земљотрес, али нисмо сигурни у погледу расељавања по догађају или дугорочне брзине клизања, а природа гради у додатној неизвесности. Ширина ове криве надовезује се на све ове неизвесности.

Гледано вероватно, предвиђање Паркфиелд-а заправо није неуспех; следећи земљотрес је негде на десној страни кривине. Сигурни смо да тамо ће бити још један земљотрес у Паркфиелду, али не знамо када ће десна страна криве пасти близу нуле. Време 0 је 1966, година последњег земљотреса у Паркфиелду. Лева страна тамног појаса је данас. Пре 1988. године, када се очекивао следећи земљотрес у Паркфиелду, највиша тачка на кривуљи вероватноће била би 1988. Време представљено кривом изнад нуле било би најдужи интервал понављања познат за Паркфиелд, који би био тридесет две године , време између земљотреса 1934. и 1966. године. То време је давно прошло; историјски узорак понављања земљотреса у Паркфиелду, иако потпунији него за већину расједа, није био довољно дуг. Следећи земљотрес у Паркфиелду догодио се 2004. године, који би био десно од тамне траке на слици 6-6, а можда и десно од нултих линија на тој слици.

Шта кажете на следећи земљотрес у Цасцадиа Субдуцтион Зоне? Време 0 је 1700. н. Е. Када се догодио последњи земљотрес. Лева ивица тамне траке је данас. Узмимо ширину тамног појаса као тридесет година, као и раније. И даље бисмо били лево од највише тачке у кривуљи вероватноће. Наш просечни интервал понављања заснован на палеоизмологији је нешто више од пет стотина година, а прошло је тек нешто више од три стотине година од последњег земљотреса. Колико треба да буде време када је крива поново на нули? Не петсто година након 1700. године, јер палеоизмологија (слике 4-9, 4-21) показује да постоји велика варијабилност у интервалу рецидива. Земљотрес би могао да удари сутра, или би се могао догодити хиљаду година после 1700. или 2700. године нове ере.


Статистичка накнадна обрада прогнозе ансамбла за невреме на Деутсцхер Веттердиенст

Овај рад даје преглед система накнадне обраде Деутсцхер Веттердиенст-а (ДВД-а) названог Енсембле-МОС, заједно са његовом мотивацијом и дизајнерским последицама за вероватноћне прогнозе екстремних догађаја на основу података о ансамблу. Предвиђања ансамбл система ЦОСМО-Д2-ЕПС и ЕЦМВФ-ЕНС су статистички оптимизована и калибрисана од стране Енсембле-МОС са фокусом на тешким временским условима како би се подржало управљање одлукама упозорења на ДВД.

Средње и ширење ансамбла се користе као предиктори за линеарне и логистичке вишеструке регресије како би се исправиле условне пристрасности. Предвиђања су изведена из синоптичких посматрања и укључују температуру, количине падавина, ударе ветра и још много тога, а статистички су процењена у приступу свеобухватне статистике излазних података (МОС). Дуге временске серије и колекције станица користе се као подаци о обуци који бележе довољан број посматраних догађаја, као што је потребно за робусно статистичко моделирање.

Логистичке регресије се примењују на вероватноће да се догоде предефинисани метеоролошки догађаји. Представљени су детаљи примене, укључујући избор предиктора са тестирањем на значај. За вероватноће јаких удара ветра развијене су глобалне логистичке параметризације које зависе од локалних процена брзине ветра. На тај начин се добијају робусне прогнозе вероватноће за екстремне догађаје уз очување локалних карактеристика.

Решавају се проблеми Енсембле-МОС-а, попут промена модела и захтева за доследношћу, који се јављају са оперативним МОС системима ДВД-а.

Предвиђање ансамбла порасло је са разумевањем ограничене предвидљивости времена. Ово ограничење је узроковано оскудним и несавршеним запажањима, приближавањем нумеричке асимилације и моделирања и каотичном физичком природом атмосфере. Основна идеја прогнозирања ансамбла је да варира посматрања, почетне и граничне услове и физичке параметризације у оквиру претпостављене скале несигурности и поново покреће модел прогнозе са тим променама.

Добијени склоп прогноза изражава расподелу могућих временских сценарија који се могу очекивати. Пробабилистичке прогнозе могу се извести из целине, попут грешака у прогнозама, вероватноће за посебне временске догађаје, квантила дистрибуције или чак процене пуне дистрибуције. Распон ансамбла се често користи као процена грешака у предвиђању. У савршеном ансамбл систему систем ширења је статистички у складу са предвиђеном грешком ансамбла у односу на запажања (нпр. Вилкс, 2011), међутим, доживљава се као премален, посебно за временске елементе у близини површине и кратка времена олова. Обично се оптимални однос ширења и вештине близу 1 и његова укључена поузданост прогнозе добијају много лакше за атмосферске променљиве у вишим вертикалним слојевима, нпр. Геопотенцијална висина од 500 хПа, него за променљиве на нивоу екрана попут температуре од 2 м, брзине ветра од 10 м или падавина (нпр. Буизза ет ал., 2005 Гебхардт ет ал., 2011 Буизза, 2018) види такође одељак. 4.

Да би се најбоље искористиле пробабилистичке информације садржане у ансамблима, нпр. повезивањем вероватноће за штетне временске догађаје са економском вредношћу у проценама губитака (нпр. Вилкс, 2001 Бен Боуаллегуе и сар., 2015), прогнозе ансамбла треба да се калибришу на посматране релативне учесталости као што мотивише Буизза (2018). Прагови упозорења су нивои вероватноће на којима се издају метеоролошка упозорења. Ови прагови могу бити прилагођени јавности у зависности од категоријских резултата као што су вероватноћа откривања (ПОД) и однос лажних аларма (ФАР). Статистичка поузданост вероватноће прогнозе сматра се кључном за квалификоване дефиниције прагова и за аутоматизоване смернице упозорења.

За детерминистичке прогнозе користи се статистичка накнадна обрада за оптимизацију и интерпретацију. То исто важи и за прогнозе ансамбала, где је статистичка калибрација додатна примена накнадне обраде. Гнеитинг ет ал. (2007) описују пробабилистичку накнадну обраду као метод за максимизирање оштрине предиктивне расподеле под условом калибрације (климатолошки просек је такође калибрисан, међутим, нема оштрину и бескористан је као прогноза). Ипак, оптимизација је и даље питање за прогнозе ансамбала. Генерално, систематске грешке основног нумеричког модела појављују се у сваком члану прогнозе и на тај начин се задржавају у значењу ансамбла. Просечење само смањује случајне грешке чланова ансамбла.

Због своје способности да побољша вештину и поузданост вероватноћних прогноза, постоји много различитих метода постпроцесирања како за појединачне, тако и за вишемоделне ансамбле. Постоје свеобухватни мултиваријантни системи и униваријантни системи који су специфични за одређени елемент прогнозе. Дужина података о обуци углавном зависи од статистичке методе и примене, међутим, доступност података је такође често озбиљно ограничење. Неки системи изводе индивидуалну обуку за различите локације како би узели у обзир локалне карактеристике, док други примењују исти статистички модел на колекцијама станица или тачака мреже. Глобално моделирање побољшава статистичко узорковање по цену орографских и климатолошких разлика.

Класични МОС системи имају тенденцију да потцењују прогнозне грешке ако се корекције примењују на сваког члана ансамбла појединачно. Да би се одржала варијабилност прогнозе, Ваннитсем (2009) предлаже разматрање грешака посматрања. Гнеитинг ет ал. (2005) предлажу нехомогену Гауссову регресију (НГР) која се ослања на Гауссову расподелу. Параметри локације и размере Гаусове расподеле одговарају линеарној функцији ансамбла средњег, односно распона ансамбла. Коефицијенти НГР се обучавају минимизирањем континуираног рангираног резултата вероватноће (ЦРПС). У просеку Бајесовог модела (БМА) (нпр. Рафтери и сар., 2005 Моллер и сар., 2013) расподеле већ коригованих пристрасности прогноза комбинују се као пондерисани просеци користећи функције језгра.

Постоји много различитих поступака обраде прилагођених различитим променљивим, само су неки овде поменути. За 24-часовне падавине Хамилл (2012) представља мултимоделни ансамбл постпроцесирања заснован на продуженој логистичкој регресији и 8 година података о обуци. Хамилл и сар. (2017) описују метод за мешање мултимоделних ансамбала високе резолуције квантилским мапирањем са кратким периодима тренинга од око 2 месеца за 6- и 12-часовне падавине. Развијене су и методе постпроцесирања специјализоване за брзину ветра, нпр. Слоугх ет ал. (2013) користе БМА у комбинацији са гама дистрибуцијама. Преглед конвенционалних униваријантних приступа постпроцесирању дат је у Вилкс (2018).

Поред горе поменутих униваријантних поступака обраде, постоје и приступи моделирању структура просторно-временске зависности и, према томе, стварању ансамбала предвиђених сценарија. То омогућава, на пример, процену вероватноће повезане са површином. Сцхефзик и сар. (2013) и Сцхефзик и Моллер (2018) користе спајање ензимских копула (ЕЦЦ) и приступе засноване на премештању Сцхааке-а како би се генерисали постпроцесирани сценарији предвиђања за температуру, падавине и ветар. Скупови сценарија предвиђања ЕЦЦ пружају високу флексибилност у производњи производа уз ограничење да су сви подаци о ансамблу доступни.

Мање метода се фокусира на екстремне догађаје падавина и удара ветра који су неопходни за аутоматску подршку упозорења. Фриедерицхс и сар. (2018) користе репове генерализованих расподела екстремних вредности како би проценили условну вероватноћу екстремних догађаја. Како су екстремни метеоролошки догађаји (срећом) ретки, потребне су дуге временске серије да би се ухватио довољно велики број догађаја да би се извеле статистички значајне процене. На пример, догађаји јаких падавина са количинама кише већим од 15 мм х −1 бележе се само отприлике једном годишње на сваком мерилу кише у Немачкој. Екстремни догађаји са више од 40 и 50 мм се ипак ретко појављују, упозорења су од кључне важности када се појаве.

Уз дуге временске серије, значајан део података састоји се од мирног времена без значаја за упозорења. Проблематично је, међутим, ограничити или усредсредити податке о обуци на тешке догађаје. Притом се могу одабрати предиктори који су у високој корелацији са одабраним низом тешких догађаја, али случајно и за смиривање сценарија који нису садржани у подацима о обуци. Да би се искључили ови лажни предиктори и извукли вешти статистички модели, потребно је користити општије податке о обуци, јер се у противном повећавају претпоставке резултата и пристрасности учесталости (ФБ) и ФАР. Ово у основи одговара идеји дилема прогностичара (видети Лерцх и сар., 2017) која наводи да је претерано предвиђање обећавајућа стратегија када се прогнозе вреднују углавном за екстремне догађаје.

Употреба вероватносних прогноза за упозорења на невреме такође утиче на начин на који прогнозе треба оцењивати. Такође за верификацију су потребни дуги временски периоди да би се ухватило довољно екстремних и ретких догађаја да би се добили статистички значајни резултати. Оценама верификације, као што је грешка средњег квадрата (РМСЕ) или ЦРПС (нпр. Херсбацх, 2000 Гнеитинг ет ал., 2005), доминира претежна већина случајева када се није догодио ниједан догађај. Изврсне, али ирелевантне прогнозе мирног времена могу претварати да су добри резултати верификације, иако неколико релевантних екстремних случајева можда неће бити добро прогнозирано. Категоричке оцене попут ПОД и ФАР сматрају се релевантнијима за ретке и екстремне случајеве, заједно са осталим сложенијим резултатима као што су Хеидке-ове оцене вештина (ХСС) или једнаке оцене претњи (ЕТС). Такође, дијаграми расејања откривају изванредне вредности и осетљиви су на екстремне вредности.

Овде представљамо МОС приступ који је прилагођен прогнозама ансамбала у постпроцесирању за екстремне и ретке догађаје. Назван је Енсембле-МОС и постављен је у ДВД-у како би подржао управљање упозорењима са вероватножним прогнозама потенцијално штетних временских догађаја у програму АутоВАРН, видети Реицхерт и сар. (2015) и Реицхерт (2016, 2017). Укупно 37 различитих елемената упозорења постоји на ДВД, укључујући јаку кишу и јаке ударе ветра, оба на неколико нивоа интензитета, грмљавинске олује, снежне падавине, маглу, ограничену видљивост, мраз и друге. Тренутно су ансамбл системи ЦОСМО-Д2-ЕПС и ЕЦМВФ-ЕНС статистички оптимизовани и калибрисани користећи вишегодишње податке о обуци, али Енсембле-МОС је применљив на друге ансамбле уопште.

У ДВД-у, статистички обрађене прогнозе ансамбл система ЦОСМО-Д2-ЕПС и ЕЦМВФ-ЕНС, као и детерминистичких модела ИЦОН и ЕЦМВФ-ИФС комбинују се у другом кораку како би се обезбедио конзистентан скуп података и неометан прелаз са веома краткорочне и средњерочне прогнозе. Овај комбиновани производ пружа јединствену основу за генерисање предлога упозорења, видети Реицхерт ет ал. (2015). Комбинација се заснива на другом МОС приступу сличном овде описаном систему, а користи појединачне статистичке прогнозе нумеричких модела као предикторе. Како линеарна комбинација калибрисаних прогноза не мора нужно сачувати калибрацију (нпр. Рањан и Гнеитинг, 2010), додатни константни предиктори се додају у МОС једначине као лек. Примо (2016) и Реицхерт (2017) наводе да аутоматизована упозорења на ударе ветра заснована на комбинованом производу постижу перформансе које су упоредиве са резултатима људских прогнозера.

Даљи обрис рада је следећи: након увода, коришћена запажања и ансамбл системи представљени су у Сект. 2. После тога, Сект. 3 описује концептуални дизајн Енсембле-МОС са дефиницијом предвиђања и предиктора и пружа техничке детаље о постепеним линеарним и логистичким регресијама. Нарочито за екстремне ударе ветра представљена је глобална логистичка регресија која користи статистичке прогнозе брзине удара ветра као предикторе за вероватноћу јаких догађаја. Општа упозорења МОС-а попут промена модела и доследности предвиђања обрађена су на крају тог одељка. Овде приказани резултати усредсређени су на ударе ветра и дати су у одељку. 4. Коначно, сект. 5 даје резиме и закључке.

Синоптичка посматрања и подаци модела из ансамбл система ЦОСМО-Д2-ЕПС и ЕЦМВФ-ЕНС користе се као подаци о обуци и за тренутне статистичке прогнозе. Временске серије осмогодишњих посматрања и подаци о моделу прикупљени су за обуку у време писања овог текста. Коришћени подаци су представљени у наставку.


2.1 Учесници

ЕА делује на 14 различитих подручја (тј. Широко засновано на разграничењу слива) са седам прогнозних центара (у даљем тексту „центри“, видети слику 1). Унутар ових центара има неколико улога МФДО и ФВДО, које је испуњавало више различитих људи. То су добровољне улоге, додане свакодневном послу особља, за које прате одговарајућу обуку. MFDOs receive, process and communicate forecast information to FWDOs, who are responsible for interpreting the information and working out the potential impacts on the ground. The Duty Officers' schedules are predetermined by a rota, and Duty Officers are on call for a period of 1 week at a time. During times of increased flood risk, when more forecasting or warning activities are required, additional rostering takes place. Duty Officers receive a range of forecasts (nowcasting ∗ products to monthly outlooks ∗ ) and are aware of potential situations from a month out. Five days ahead is when the activity really starts to build and is the focus of these interviews.

Слика 1Map showing the geographical areas of the EA's operations (green numbered areas), highlighting the three areas which the centres where interviews were carried out are responsible for (blue boxes) (source: EA).

A total of six EA MFDOs and FWDOs from three different EA centres (one pair per centre) were interviewed to capture a range of perspectives in relation to the topic at hand, following best practice (Sivle et al., 2014 participant information sheet provided as the Supplement). Forecasting and decision-making varies between EA centres due to different management approaches and different types of geography and catchment responses ∗ . To protect anonymity, the three centres where interviews were carried out are shown in terms of the wider area they are responsible for: (1) the Yorkshire area (YOR) in the north (area 3), (2) the Thames area (THM) in the south-east (area 11), and (3) the Solent and South Downs area (SSD) in the south-east (area 14) (Fig. 1).

MFDOs and FWDOs were interviewed in pairs as they are used to working together and the information they use sits between these two roles. The thought was that by talking to the MFDOs alone we would lose the element of “and so what?”, while talking to the FWDOs alone the forecasting expertise would be lost. All MFDOs and FWDOs interviewed had several years of experience and so were able to describe the current practice and express personal expectations of how it might change with probabilistic forecasting.

Participants were selected by EA study co-developer I1 to meet the above criteria. For the purpose of anonymity, the interviewees will thereafter be reported using codes. The three MFDOs interviewed will be referred to as MFDO1, MFDO2 and MFDO3, and the three FWDOs interviewed as FWDO1, FWDO2 and FWDO3 (interviewed pairs are represented by the same number). As well as those from the MFDOs and FWDOs, quotes from two EA study co-developers are reported in this paper, I1 and I2, who helped the interviewer (Louise Arnal) by providing some context about the EA's organisational landscape, forecasting systems and MFDO and FWDO roles prior to the three interviews.


STEPS: A probabilistic precipitation forecasting scheme which merges an extrapolation nowcast with downscaled NWP

An ensemble-based probabilistic precipitation forecasting scheme has been developed that blends an extrapolation nowcast with a downscaled NWP forecast, known as STEPS: Short-Term Ensemble Prediction System. The uncertainties in the motion and evolution of radar-inferred precipitation fields are quantified, and the uncertainty in the evolution of the precipitation pattern is shown to be the more important. The use of ensembles allows the scheme to be used for applications that require forecasts of the probability density function of areal and temporal averages of precipitation, such as fluvial flood forecasting—a capability that has not been provided by previous probabilistic precipitation nowcast schemes. The output from a NWP forecast model is downscaled so that the small scales not represented accurately by the model are injected into the forecast using stochastic noise. This allows the scheme to better represent the distribution of precipitation rate at spatial scales finer than those adequately resolved by operational NWP. The performance of the scheme has been assessed over the month of March 2003. Performance evaluation statistics show that the scheme possesses predictive skill at lead times in excess of six hours. © Crown copyright, 2006.


1.3 Outline of the paper

The paper is structured as follows. The theoretical framework for precipitation nowcasting and using stochastic perturbations to characterize the uncertainty is formulated in Sect. 2. The general architecture of the pysteps library is presented in Sect. 3. A comprehensive verification of pysteps nowcasts is given in Sect. 4. Various experiments to understand the sensitivity of pysteps to the model parameters and define the default configuration are done in Sect. 5. The limits of pysteps are tested in Sect. 6 using a tropical cyclone and severe convection case in Australia. Section 7 concludes the paper and lists potential future applications of pysteps. Finally, code listings demonstrating the use of pysteps are given in Appendix A.

This section introduces the basic concepts and components of probabilistic nowcasting models based on the Lagrangian persistence of radar precipitation fields and describes how these are currently implemented in pysteps.


Probability Aggregation Methods in Geoscience

The need for combining different sources of information in a probabilistic framework is a frequent task in earth sciences. This is a need that can be seen when modeling a reservoir using direct geological observations, geophysics, remote sensing, training images, and more. The probability of occurrence of a certain lithofacies at a certain location for example can easily be computed conditionally on the values observed at each source of information. The problem of aggregating these different conditional probability distributions into a single conditional distribution arises as an approximation to the inaccessible genuine conditional probability given all information. This paper makes a formal review of most aggregation methods proposed so far in the literature with a particular focus on their mathematical properties. Exact relationships relating the different methods is emphasized. The case of events with more than two possible outcomes, never explicitly studied in the literature, is treated in detail. It is shown that in this case, equivalence between different aggregation formulas is lost. The concepts of calibration, sharpness, and reliability, well known in the weather forecasting community for assessing the goodness-of-fit of the aggregation formulas, and a maximum likelihood estimation of the aggregation parameters are introduced. We then prove that parameters of calibrated log-linear pooling formulas are a solution of the maximum likelihood estimation equations. These results are illustrated on simulations from two common stochastic models for earth science: the truncated Gaussian model and the Boolean. It is found that the log-linear pooling provides the best prediction while the linear pooling provides the worst.

Ово је преглед садржаја претплате, приступ путем ваше институције.