A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Caio A. S. Coelho Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) Instituto Nacional de Pesquisas Espaciais (INPE) Estrutura.

Apresentações semelhantes


Apresentação em tema: "Caio A. S. Coelho Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) Instituto Nacional de Pesquisas Espaciais (INPE) Estrutura."— Transcrição da apresentação:

1 Caio A. S. Coelho Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) Instituto Nacional de Pesquisas Espaciais (INPE) Estrutura da apresentação 1. Conceitos e métodos: Niño Previsões de precipitação para a América do Sul Calibração e combinação de previsões INMET-IRI Climate information course, Brasília, 19 – 23 Novembro 2007

2 2 Questões motivadoras Porque é necessário? Qual a melhor maneira de se calibrar? Como obter estimativas de probabilidade? Quem deve fazer? Calibração Combinação Porque é necessário? Atribuir pesos ou fazer seleção de previsões? Qual a melhor maneira de se combinar? Quem deve fazer?

3 3 Esquema conceitual para calibração e combinação de previsões Assimilação de dados Assimilação de previsões Espaço observacional Espaço do modelo

4 4 Verificação Motivação para a combinação: Previsão por conjunto de modelos Modelo 1 t=0 t=T Espaço de fase do sistema climático

5 5 Verificação Modelo 1 Modelo 2 t=0 t=T Espaço de fase do sistema climático Motivação para a combinação: Previsão por conjunto de modelos

6 6 Previsão por conjunto de modelos Sistema de previsões por conjunto de modelos dinâmicos Solução: Vários-modelos Conjunto Incertezas: Formulação Condições iniciais

7 7 Pierre-Simon Laplace ( ) O Pioneiro da combinação a p Laplace (1818): Combinação de dois estimadores inclin. resíduo

8 8 + métodos = numéricos Previsões combinadas apresentam melhor desempenho do que previsões individuais? Em tempos modernos… Previsões

9 9 Literatura de combinação de previsões Trenkler and Gotu (2000): ~600 publicações ( ) Extensivamente aplicada em Economia e Meteorologia Métodos similares são aplicados nas duas áreas Previsões combinadas são melhores do que previsões individuais

10 10 Algumas questões Qual a melhor maneira de se combinar? Vale a pena incluir todas as previsões disponíveis?

11 11 DEMETER: previsão por conjunto de modelos acoplados Índice Nino-3.4 (Y) Período: Conjunto: 9 membros Jul -> Dez Defasagem: 5 meses DEMETER web page: ECMWF Meteo-France (MF) Max Planck Institut (MPI)

12 12 Previsões do índice Nino-3.4 para Dezembro: sem calibração

13 13 Calibração e combinação de previsões Combinação linear de M previsões X constantes modelos média do conjunto previsão combinada

14 14 Remoção do viés da média do conjunto de modelos (Uem) Regressão da média do conjunto de modelos (Rem) Regressão do conjunto de modelos (Rall) Métodos de calibração e combinação Kharin and Zwiers (2002), J. Climate. Como estimar w o e w i ?

15 15 Remoção do víes da média do conjunto de modelos (Uem) Previsões Modelo 1 (X ) Modelo 2 (X ) Modelo 3 (X ) Média do conjunto de modelos (X) … t=Tt=1 t=2 … observações (Y) (anos) ( C) viés médio

16 16 Regressão da média do conjunto de modelos (Rem) Previsões Modelo 1 (X ) Modelo 2 (X ) Modelo 3 (X ) Média do conjunto de modelos (X) Y ( C) observações viés médio

17 17 Regressão do conjunto de modelos (Rall) Previsões Modelo 1 (X ) Modelo 2 (X ) Modelo 3 (X ) Regressão linear múltipla em notação matricial : Y: 1 x n (observações) X: M x n (previsões) 1 2 3

18 18 Previsões combinadas

19 19 Y: Índice Nino-3.4 observado em Dezembro X: Previsão de Y (média do conjunto) para Dez. Thomas Bayes ( ) Revisão da crença prévia em um evento Y consiste na atualização da prob. de Y quando nova info. X torna-se disponível. Exemplo: média do conjunto (X=x=27 C) Prob. condicional:p(X=x|Y) Prévia:p(Y) Posterior:p(Y|X=x) Método Bayesiano: atualização de informação

20 20 Prévia: Prob. cond.: Posterior: calibração Assimilação Bayesiana de Previsões (B) viés Coelho (2005) Stephenson et al. (2005)

21 21 TSM de Julho e Dezembro: Reynolds OI V2 ( ) Observações do índice Nino-3.4 Índice Nino-3.4 valores médios: Jul: 27.1 C Dez: 26.5 C r: 0.87 R 2 =0.76 Coelho et al. (2004)

22 22 Previsões calibradas e combinadas Uem Rall Rem B Porque Rall e B são semelhantes?

23 23 Previsões em notação Bayesiana Rem Uem B Rall PosteriorPréviaProb. condicionalPrevisão Prévia de B Prévia de Rem e Rall Combinação Bayesiana Prévia: Pr. cond.: Regressão de Y em X

24 24 Medidas de destreza e incerteza MF (sem correção) MPI (sem correção) MF (com viés removido) MF (corrigido por regressão) MPI (corrigido por regressão) ECMWF (corrigido por regressão) ECMWF (com viés removido) MPI (com viés removido) Rem Uem B Rall ECMWF (sem correção) Climatologia Incert. ( C) 2 Skill Score (%) MSE ( C) 2 Previsão Skill Score = [1- MSE/MSE(climatologia)]*100%

25 25 Conclusões da primeira parte Previsões podem ser calibradas e combinadas de várias maneiras Previsões combinadas apresentam melhor desempenho do que previsões individuais Rall e B apresentaram melhor desempenho para o exemplo do índice Nino-3.4 Inclusão de previsões de um modelo com viés alto não prejudicou a previsão combinada final

26 26 Previsões climáticas sazonais: Como são produzidas: Modelos empíricos/estatísticos Modelos dinâmicos atmosféricos Modelos dinâmicos acoplados (oceano+atmosfera) Previsões das condições climáticas para os próximos (3-6) meses NovDez Jan Fev Mar Abr Mai DJF (Defasagem: 1 mês) Principais setores usuários: Agrícola Hidro-elétrico

27 27 Modelo empírico Predictores: TSM Atlântico e Pacífico Preditando: Precipitação Previsões retrospectivas: Previsões integradas para a América do Sul Integrada Reino UnidoUKMO InternationalECMWF PaísModelos acoplados Previsões calibradas e combinadas (modelos acoplados + empírico)

28 28 O modelo empírico Y|Z ~ N (M (Z - Z o ),T) Y: Precipitação em DJF Z: Temp. Superf. Mar (TSM) em Outubro Model utiliza os três primeiros modos da Análise de Máxima Covariância (AMC) da matriz Y T Z. Y Z Coelho et al. (2006) Fontes de dados: TSM (Reynolds OI v2) Precipitação (GPCP v2)

29 29 Modelo empírico (primeiro modo): SCF 71% TSM em Outubro Precipitação em DJF Pacífico tropical (ENOS) e Atlântico: principais fontes de previsibilidade sazonal para a América do Sul

30 30 Anomaly Correlation Coefficient (ACC) médio Melhor (maior) destreza em anos de ENOS do que em anos neutros COM (DEMETER)

31 31 Modelo empírico (segundo modo): SCF 7.7% Precipitação em DJF Pacífico tropical, Norte da América do Sul TSM em Outubro

32 32 Primeiro modo (71%) Segundo modo (7.7%) TSM anom. obs. em Out 2007 Previsão DJF 2007 Corr. DJF

33 33 Prévia: Pr. Cond.: Posterior: Calibração e combinação Bayesiana: Assimilação de prev. Matrizes Assimilação de previsões usa os três primeiros modos da AMC da matriz Y T X. X: previsões (acopl. + empir.) Y: precipitação em DJF

34 34 Assimilação de previsões: primeiro modo (DJF) Produzida: Nov, Válida: DJF

35 35 Assimilação de previsões: segundo modo (DJF) Produzida: Nov, Válida: DJF

36 36 Segundo modo: 7.5% INT Primeiro modo: 78.8% ECMWFUKMO EMP OBS Previsão DJF 2007 ECMWF UKMO EMP Corr. DJF

37 37 EUROBRISA: A EURO-Brazilian Initiative for improving South American seasonal forecasts key Idea: To improve seasonal forecasts in S. America: a region where there is seasonal forecast skill and useful value. Aims Strengthen collaboration and promote exchange of expertise and information between European and S. American seasonal forecasters Produce improved well-calibrated real-time probabilistic seasonal forecasts for South America (i.e. combine and calibrate coupled [ECMWF,UKMO,Meteo-France] and empirical forecasts) Develop real-time forecast products for non-profitable governmental use (e.g. reservoir management, hydropower production, agriculture and health) Ambrizzi, Silva DiasBrazilUni. of São Paulo Uni. of Exeter UFPR Météo France Met Office INMET ECMWF CPTEC Involved institutions UK Brazil France UK Brazil EU Brazil Country Stephenson Guetter Déqué Moura, Fortes Graham, Colman Balmaseda, Doblas-Reyes, Stockdale Coelho, Cavalcanti, Costa Silva Dias, Pezzi Partners New web address: Affiliated institutions CamachoEcuadorCIIFEN GoddardUSAIRI BergamaschiBrazilUFRGS SilveiraBrazilSIMEPAR

38 38 Atividades do projeto EUROBRISA Previsões sazonais probabilísticas com uso de modelos dinâmicos acoplados e empírico Produção de previsões objetivamente integradas (calibração e combinação de prev. dinâmicas e empíricas) Avaliação do desempenho das previsões empíricas, dinâmicas e integradas (combinadas) usando medidas determinísticas e probabilísticas Downscaling dinâmico e estatístico Estudos de previsibilidade sazonal Pesquisa e desenvolvimento: previsões climáticas Impactos (colaboração com usuários) Hydrologia: Downscaling de previsões climáticas sazonais para previsão de vazões de rios e uso em modelos hidrológicos Agricultura: Investigar viabilidade do uso de previsões climáticas sazonais em atividades de agricultura (por exemplo, previsão de safra)

39 39 Real time and verification products 1-month lead precip. forecasts EUROSIP: ECMWF UKMO Meteo-France Empirical (SST based) Integrated (Combined)

40 40

41 41 EmpíricoIntegrada Correlação: anomalias de precipitação DJF Melhor desempenho na região tropical e sudeste da América do Sul Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões UKMOECMWF Exemplo de produto de verificação

42 42 EmpíricoIntegrada Brier Skill Score (anomalia pos. ou neg.): precipitação em DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

43 43 EmpíricoIntegrada Ranked probability skill score (três categorias): precipitação em DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

44 44 EmpíricoIntegrada Gerrity score (três categorias): precipitação em DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

45 45 EmpíricoIntegrada ROC skill score (anomalias pos. ou neg.): precipitação em DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

46 46 EmpíricoIntegrada Diagrama de conf. (anom. pos. ou neg.): precipitação DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

47 47 EmpíricoIntegrada Curva ROC (anom. pos. ou neg.): precipitation em DJF UKMOECMWF Previsões retrospectivas: Modelos acoplados com C.I. 1 Nov (defasagem de 1-mês) Modelo empírico usa TSM de Out como preditor para precip em DJF Previsão integrada (acoplados + empírico) com assim. de previsões

48 48 Empírico Integrada Exemplo de produto de previsão: Probabilidade do tercil mais provável: precipitação DJF 2007 Produzida: Nov 2007 ECMWF UKMO

49 49 Empírico Integrada Previsão categórica: precipitação DJF 2007 ECMWF UKMO Produzida: Nov 2007

50 50 Empírico Integrada Prob de anom. pos.: precipitação DJF 2007 ECMWF UKMO Produzida: Nov 2007

51 51 Empírico Integrada Prob de precip. no tercil superior: DJF 2007 ECMWF UKMO Produzida: Nov 2007

52 52 Empírico Integrada Prob de precip. no tercil inferior: DJF 2007 ECMWF UKMO Produzida: Nov 2007

53 53 Coelho C.A.S., D. B. Stephenson, F. J. Doblas-Reyes, M. Balmaseda, R. Graham 2007: Integrated Seasonal Climate Forecasts for South America. CLIVAR Exchanges No 43, Vol. 12, No 4, Coelho C.A.S., D. B. Stephenson, M. Balmaseda, F. J. Doblas-Reyes and G. J. van Oldenborgh, 2006: Towards an integrated seasonal forecasting system for South America. J. Climate., Vol. 19, Coelho C.A.S., 2005: Forecast Calibration and Combination: Bayesian Assimilation of Seasonal Climate Predictions. PhD Thesis. University of Reading, 178 pp. Coelho C.A.S., D. B. Stephenson, F. J. Doblas-Reyes and M. Balmaseda, 2005: From Multi- model Ensemble Predictions to Well-calibrated Probability Forecasts: Seasonal Rainfall Forecasts over South America CLIVAR Exchanges No 32, Vol. 10, No 1, Stephenson, D. B., C.A.S. Coelho, F. J. Doblas-Reyes, and M. Balmaseda, 2005: Forecast Assimilation: A Unified Framework for the Combination of Multi-Model Weather and Climate Predictions. Tellus A, Vol. 57, Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B. Stephenson, 2004: Forecast Calibration and Combination: A Simple Bayesian Approach for ENSO. Journal of Climate. Vol. 17, No. 7, Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B. Stephenson, 2003: Skill of Coupled Model Seasonal Forecasts: A Bayesian Assessment of ECMWF ENSO Forecasts. ECMWF Technical Memorandum No. 426, 16pp. Disponível em Mais informações …


Carregar ppt "Caio A. S. Coelho Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) Instituto Nacional de Pesquisas Espaciais (INPE) Estrutura."

Apresentações semelhantes


Anúncios Google