INMET training course v4

Information about INMET training course v4

Published on December 28, 2007

Author: Janelle

Source: authorstream.com

Content

Slide1:  Caio A. S. Coelho Centro de Previsão de Tempo e Estudos Climáticos (CPTEC)‏ Instituto Nacional de Pesquisas Espaciais (INPE)‏ [email protected] Estrutura da apresentação 1. Conceitos e métodos: Niño-3.4 2. Previsões de precipitação para a América do Sul Calibração e combinação de previsões INMET-IRI “Climate information course”, Brasília, 19 – 23 Novembro 2007 Questões motivadoras:  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? Esquema conceitual para calibração e combinação de previsões:  Esquema conceitual para calibração e combinação de previsões Assimilação de dados “Assimilação de previsões” Espaço observacional Espaço do modelo Motivação para a combinação: Previsão por conjunto de modelos:  Verificação Motivação para a combinação: Previsão por conjunto de modelos Modelo 1 t=0 t=T Espaço de fase do sistema climático Motivação para a combinação: Previsão por conjunto de modelos:  Verificação Modelo 1 Modelo 2 t=0 t=T Espaço de fase do sistema climático Motivação para a combinação: Previsão por conjunto de modelos Previsão por conjunto de modelos:  Previsão por conjunto de modelos Solução: Vários-modelos Conjunto Incertezas: Formulação Condições iniciais Slide7:  Pierre-Simon Laplace (1749-1827)‏ O Pioneiro da combinação a p • • • • • • • • • • • • • • • • • • • Laplace (1818): Combinação de dois estimadores inclin. resíduo Slide8:  + métodos = numéricos Previsões combinadas apresentam melhor desempenho do que previsões individuais? Em tempos modernos… Previsões • • • Slide9:  Literatura de combinação de previsões Trenkler and Gotu (2000): ~600 publicações (1970-2000)‏ Extensivamente aplicada em Economia e Meteorologia Métodos similares são aplicados nas duas áreas Previsões combinadas são melhores do que previsões individuais Slide10:  Algumas questões Qual a melhor maneira de se combinar? Vale a pena incluir todas as previsões disponíveis? DEMETER: previsão por conjunto de modelos acoplados:  DEMETER: previsão por conjunto de modelos acoplados Índice Nino-3.4 (Y)‏ Período: 1987-99 Conjunto: 9 membros Jul -> Dez Defasagem: 5 meses DEMETER web page: http://www.ecmwf.int/research/demeter ECMWF Meteo-France (MF)‏ Max Planck Institut (MPI)‏ Slide12:  Previsões do índice Nino-3.4 para Dezembro: sem calibração Calibração e combinação de previsões:  Calibração e combinação de previsões Combinação linear de M previsões X constantes modelos média do conjunto previsão combinada Métodos de calibração e combinação:  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 wo e wi ? Remoção do víes da média do conjunto de modelos (Uem)‏:  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=T t=1 t=2 … observações (Y)‏ (anos)‏ (C)‏ 1 2 3 viés médio Regressão da média do conjunto de modelos (Rem)‏:  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 1 2 3 viés médio Regressão do conjunto de modelos (Rall)‏:  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 Slide18:  Previsões combinadas Slide19:  Y: Índice Nino-3.4 observado em Dezembro X: Previsão de Y (média do conjunto) para Dez. Thomas Bayes (1701-1761)‏ 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 Assimilação Bayesiana de Previsões (B)‏:  Prévia: Prob. cond.: Posterior: calibração Assimilação Bayesiana de Previsões (B)‏ viés Coelho (2005)‏ Stephenson et al. (2005)‏ Observações do índice Nino-3.4:  TSM de Julho e Dezembro: Reynolds OI V2 (1950-2001)‏ Observações do índice Nino-3.4 Índice Nino-3.4 valores médios: Jul: 27.1C Dez: 26.5C r: 0.87 R2 =0.76 Coelho et al. (2004)‏ Slide22:  Previsões calibradas e combinadas Uem Rall Rem B Slide23:  Previsões em notação Bayesiana Prévia de B Prévia de Rem e Rall Combinação Bayesiana Prévia: Pr. cond.: Regressão de Y em X Slide24:  Medidas de destreza e incerteza Skill Score = [1- MSE/MSE(climatologia)]*100% Slide25:  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 Previsões climáticas sazonais::  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 • • • • • • Nov Dez Jan Fev Mar Abr Mai DJF (Defasagem: 1 mês)‏ Principais setores usuários: Agrícola Hidro-elétrico 0 1 2 3 4 5 6 Slide27:  Modelo empírico Predictores: TSM Atlântico e Pacífico Preditando: Precipitação Previsões retrospectivas: 1987-2001 Previsões integradas para a América do Sul Integrada Previsões calibradas e combinadas (modelos acoplados + empírico)‏ O modelo empírico:  O modelo empírico Y|Z ~ N (M (Z - Zo),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 YT Z. Y Z Coelho et al. (2006)‏ Fontes de dados: TSM (Reynolds OI v2) Precipitação (GPCP v2)‏ Modelo empírico (primeiro modo): SCF 71%:  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 Slide30:  Anomaly Correlation Coefficient (ACC) médio Melhor (maior) destreza em anos de ENOS do que em anos neutros COM (DEMETER)‏ Modelo empírico (segundo modo): SCF 7.7%:  Modelo empírico (segundo modo): SCF 7.7% Precipitação em DJF Pacífico tropical, Norte da América do Sul TSM em Outubro Slide32:  Primeiro modo (71%)‏ Segundo modo (7.7%)‏ Calibração e combinação Bayesiana: Assimilação de prev.:  Prévia: Pr. Cond.: Posterior: Calibração e combinação Bayesiana: Assimilação de prev. Matrizes Assimilação de previsões usa os três primeiros modos da AMC da matriz YT X. X: previsões (acopl. + empir.)‏ Y: precipitação em DJF Assimilação de previsões: primeiro modo (DJF)‏:  Assimilação de previsões: primeiro modo (DJF)‏ Produzida: Nov, Válida: DJF Assimilação de previsões: segundo modo (DJF)‏:  Assimilação de previsões: segundo modo (DJF)‏ Produzida: Nov, Válida: DJF Slide36:  Segundo modo: 7.5% Primeiro modo: 78.8% ECMWF UKMO EMP OBS 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. :  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) New web address: http://www6.cptec.inpe.br/eurobrisa/ Affiliated institutions Atividades do projeto EUROBRISA:  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)‏ Slide39:  http://www6.cptec.inpe.br/eurobrisa/ Slide40:  http://www6.cptec.inpe.br/eurobrisa/ Correlação: anomalias de precipitação DJF:  Empírico Integrada Correlação: anomalias de precipitação DJF Melhor desempenho na região tropical e sudeste da América do Sul Previsões retrospectivas: 1987-2001 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 UKMO ECMWF Exemplo de produto de verificação Brier Skill Score (anomalia pos. ou neg.): precipitação em DJF:  Empírico Integrada Brier Skill Score (anomalia pos. ou neg.): precipitação em DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 Ranked probability skill score (três categorias): precipitação em DJF :  Empírico Integrada Ranked probability skill score (três categorias): precipitação em DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 Gerrity score (três categorias): precipitação em DJF:  Empírico Integrada Gerrity score (três categorias): precipitação em DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 ROC skill score (anomalias pos. ou neg.): precipitação em DJF:  Empírico Integrada ROC skill score (anomalias pos. ou neg.): precipitação em DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 Diagrama de conf. (anom. pos. ou neg.): precipitação DJF:  Empírico Integrada Diagrama de conf. (anom. pos. ou neg.): precipitação DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 Curva ROC (anom. pos. ou neg.): precipitation em DJF:  Empírico Integrada Curva ROC (anom. pos. ou neg.): precipitation em DJF UKMO ECMWF Previsões retrospectivas: 1987-2001 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 Exemplo de produto de previsão: Probabilidade do tercil mais provável: precipitação DJF 2007 :  Empírico Integrada Exemplo de produto de previsão: Probabilidade do tercil mais provável: precipitação DJF 2007 Produzida: Nov 2007 ECMWF UKMO Previsão categórica: precipitação DJF 2007 :  Empírico Integrada Previsão categórica: precipitação DJF 2007 ECMWF UKMO Produzida: Nov 2007 Prob de anom. pos.: precipitação DJF 2007 :  Empírico Integrada Prob de anom. pos.: precipitação DJF 2007 ECMWF UKMO Produzida: Nov 2007 Prob de precip. no tercil superior: DJF 2007:  Empírico Integrada Prob de precip. no tercil superior: DJF 2007 ECMWF UKMO Produzida: Nov 2007 Prob de precip. no tercil inferior: DJF 2007:  Empírico Integrada Prob de precip. no tercil inferior: DJF 2007 ECMWF UKMO Produzida: Nov 2007 Mais informações …:  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, 13-19. 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, 3704-3721. 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 1959-2001”. CLIVAR Exchanges No 32, Vol. 10, No 1, 14-20. 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, 253-264. 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, 1504-1516. 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 http://www.cptec.inpe.br/~caio Mais informações …

Related presentations


Other presentations created by Janelle

web2001 5 potato fungicide
31. 12. 2007
0 views

web2001 5 potato fungicide

Acupuncture
04. 01. 2008
0 views

Acupuncture

Networking Devices
01. 01. 2008
0 views

Networking Devices

Som de Cinema
24. 10. 2007
0 views

Som de Cinema

Cataract  History  05
02. 05. 2008
0 views

Cataract History 05

GEC NEVC 0ct 06
28. 09. 2007
0 views

GEC NEVC 0ct 06

LECTURE 7
03. 10. 2007
0 views

LECTURE 7

TS2 2 1
04. 10. 2007
0 views

TS2 2 1

saferoom
07. 10. 2007
0 views

saferoom

cpt
16. 10. 2007
0 views

cpt

Presentation media use
17. 10. 2007
0 views

Presentation media use

MosbysNursingCONSULT Training
29. 09. 2007
0 views

MosbysNursingCONSULT Training

maws3 5883
23. 10. 2007
0 views

maws3 5883

Presentacion PPP Panama
22. 10. 2007
0 views

Presentacion PPP Panama

sankar jag
29. 10. 2007
0 views

sankar jag

G020213 00
29. 10. 2007
0 views

G020213 00

jan20wrf
03. 10. 2007
0 views

jan20wrf

Contexto Latinoamericano 2005
22. 10. 2007
0 views

Contexto Latinoamericano 2005

BLRB08 2 rbs
11. 12. 2007
0 views

BLRB08 2 rbs

CrystalPP
12. 10. 2007
0 views

CrystalPP

07 Pilz
19. 10. 2007
0 views

07 Pilz

Lec3 APS301 Slideshow
25. 10. 2007
0 views

Lec3 APS301 Slideshow

Hill Ch 003 part 3 03
31. 10. 2007
0 views

Hill Ch 003 part 3 03

Foolish Fragments
01. 11. 2007
0 views

Foolish Fragments

pp hematoma
06. 11. 2007
0 views

pp hematoma

file0068
06. 11. 2007
0 views

file0068

Biodiesel Production
07. 11. 2007
0 views

Biodiesel Production

turkey presentation
21. 11. 2007
0 views

turkey presentation

Turkey and the EU
23. 11. 2007
0 views

Turkey and the EU

chap14 07
14. 12. 2007
0 views

chap14 07

The Clash of Civilizations
23. 12. 2007
0 views

The Clash of Civilizations

grace agnew
20. 11. 2007
0 views

grace agnew

IX Aerosol
03. 01. 2008
0 views

IX Aerosol

Malignant Wounds
05. 01. 2008
0 views

Malignant Wounds

224 121676
07. 01. 2008
0 views

224 121676

Monday lab ppt presentation
10. 10. 2007
0 views

Monday lab ppt presentation

Sailor Relationship Management
08. 10. 2007
0 views

Sailor Relationship Management

Schischke Penang Label v2
01. 10. 2007
0 views

Schischke Penang Label v2

tomography
15. 10. 2007
0 views

tomography

Flowering2
17. 12. 2007
0 views

Flowering2

landmarks And Monuments
12. 10. 2007
0 views

landmarks And Monuments

EARSS december 1 06
19. 10. 2007
0 views

EARSS december 1 06

Presen 1
10. 10. 2007
0 views

Presen 1

P6S1
16. 02. 2008
0 views

P6S1

mtgbog07 smith
19. 02. 2008
0 views

mtgbog07 smith

Viktoras Seskauskas
28. 11. 2007
0 views

Viktoras Seskauskas

Canadian literature powerpoint4
12. 03. 2008
0 views

Canadian literature powerpoint4

ses3 1545 Sethu Raman
30. 09. 2007
0 views

ses3 1545 Sethu Raman

A105 024 Cosmo
16. 10. 2007
0 views

A105 024 Cosmo

communication 2
27. 11. 2007
0 views

communication 2

Performance of DFT
31. 10. 2007
0 views

Performance of DFT

investment strategy
09. 04. 2008
0 views

investment strategy

Analyst meet
17. 04. 2008
0 views

Analyst meet

Sess 1 Zhang Xizhen
10. 10. 2007
0 views

Sess 1 Zhang Xizhen

2205 Joao Carlos
26. 11. 2007
0 views

2205 Joao Carlos

Single Payer101
07. 05. 2008
0 views

Single Payer101

dentalhealth
08. 05. 2008
0 views

dentalhealth

AACBelecs2004
08. 05. 2008
0 views

AACBelecs2004

Extending the SpanishWordNet
31. 10. 2007
0 views

Extending the SpanishWordNet

SCOPE991001
02. 05. 2008
0 views

SCOPE991001

SupportGroup031106
02. 05. 2008
0 views

SupportGroup031106

Martina OConnor
02. 05. 2008
0 views

Martina OConnor

dns pres michaelson roots
30. 10. 2007
0 views

dns pres michaelson roots

m101
09. 10. 2007
0 views

m101

CaseEUvirtuellefabrik
15. 10. 2007
0 views

CaseEUvirtuellefabrik

hou leong
10. 10. 2007
0 views

hou leong

DeSangroValencia
31. 10. 2007
0 views

DeSangroValencia

Intro to Pod biomech
30. 04. 2008
0 views

Intro to Pod biomech

wspa07 23
26. 03. 2008
0 views

wspa07 23

95 Romi 25mag
19. 10. 2007
0 views

95 Romi 25mag

Tue1530 137
09. 10. 2007
0 views

Tue1530 137

Helping students help themselves
30. 10. 2007
0 views

Helping students help themselves

XPath
18. 10. 2007
0 views

XPath

GSB presentation4
29. 12. 2007
0 views

GSB presentation4

tornado sample slides
02. 10. 2007
0 views

tornado sample slides

vbq
09. 10. 2007
0 views

vbq

sullivan list
08. 10. 2008
0 views

sullivan list

Moore Plasma Circulation ESSE06
02. 11. 2007
0 views

Moore Plasma Circulation ESSE06

biod145 lecture4 bb
16. 10. 2007
0 views

biod145 lecture4 bb

Final Spring 2003 Presentation
06. 03. 2008
0 views

Final Spring 2003 Presentation

Provisu SSIM2006
19. 10. 2007
0 views

Provisu SSIM2006

WDHSJuly505
20. 02. 2008
0 views

WDHSJuly505

30th Anniv USSP
17. 10. 2007
0 views

30th Anniv USSP

Prion2005
15. 10. 2007
0 views

Prion2005

imperialism 2
22. 10. 2007
0 views

imperialism 2

Lipchitz AFDonCatRisk
23. 10. 2007
0 views

Lipchitz AFDonCatRisk

Cumberland
26. 11. 2007
0 views

Cumberland

606
16. 11. 2007
0 views

606

GAIC5Oct04
31. 10. 2007
0 views

GAIC5Oct04

eceatcz
20. 03. 2008
0 views

eceatcz

upa nyc jonathan bloom
04. 10. 2007
0 views

upa nyc jonathan bloom

ssuo robo3
15. 11. 2007
0 views

ssuo robo3

nuccio lanza
15. 11. 2007
0 views

nuccio lanza

Haroldo Sustainab Develop 0607
30. 10. 2007
0 views

Haroldo Sustainab Develop 0607

presentation eichhorn jan
16. 11. 2007
0 views

presentation eichhorn jan

ling411 23
19. 11. 2007
0 views

ling411 23

DYB US PRC
16. 10. 2007
0 views

DYB US PRC

PHN0202a
13. 03. 2008
0 views

PHN0202a

10 2205 HISTORIA EUA
13. 11. 2007
0 views

10 2205 HISTORIA EUA

ChineseAmericans
30. 10. 2007
0 views

ChineseAmericans

apgrid ggf4
09. 10. 2007
0 views

apgrid ggf4

kur
26. 10. 2007
0 views

kur

HIS104 Lecture05
31. 10. 2007
0 views

HIS104 Lecture05

Harvard Presentation
12. 10. 2007
0 views

Harvard Presentation

wilhelmson
02. 10. 2007
0 views

wilhelmson

MLI Site Visit 4 98 overview
29. 09. 2007
0 views

MLI Site Visit 4 98 overview