Legyen $ t_0 $ az érdekes pillanat, $ t _ {- 1} $ legyen egy idő előtt $ t_0 $, és $ t_1 A $ t_0 $ után az $ egy pillanat alatt megjelenik.
Most nincs összetévesztés az előrejelzéssel – ha a jelenlegi idő $ t_0 $, akkor a $ t_1 $ előrejelzés például egy olyan modellt használ, amely asszimilál megfigyeléseket $ t_0 $ értéknél, majd lépj előre az időben, hogy előrejelzést készítsen $ t_1 $ értéken.
Tegyük fel, hogy most a jelenlegi idő $ t_1 $. Zavarban vagyok abban, hogy mit jelent a hátsó adás a $ t_0 $ időpontban. Indítjuk-e a modellt $ t_1 $ -on, majd haladunk-e visszafelé időben, hogy kiszámoljuk a hindcast-ot $ t_0 $ -on, vagy pedig $ -nál indítjuk a modellt. t _ {- 1} $, majd futtassa a modellt előre, hogy elérje a $ t_0 $ értéket?
Válasz
Ugrás a történelmi újrabecslés néven ismert, integrálja a modellt előre, ugyanúgy, mint egy előrejelzést, így inicializálná a modellt $ t _ {- 1} $ értéken, és átfutna $ t_1 $ -ig. Ha van olyan asszimilációs rendszere, amely képes felhasználni a megfigyeléseket $ t_0 $ értéken, akkor ugyanúgy használja őket, mint egy előrejelzésnél.
A hindcast lényege, hogy elkészíti az előrejelzést. megint olyasmit használnak, ami eredetileg nem volt elérhető. Ez az új valami lehet a megfigyelések (asszimiláció vagy ellenőrzés céljából), az asszimilációs rendszer vagy az előrejelzési modell. Használhatók a modellező rendszer kalibrálására vagy csak a modellezés frissítésének ellenőrzésére. a rendszer valóban javítja az előrejelzést. Gyakran használják olyan extrém események vagy helyzetek esettanulmányaihoz, amelyekről előre tudni lehet, hogy bonyolult; végül is miért várjon a következő 30 éven belüli eseményre, hogy tesztelje új rendszerét, ha van ilyen az archívumban, valószínűleg sok ellenőrzési adattal az évek során.
Megjegyzések
- Köszönöm Deditos – bár most még nem vagyok tisztázott abban, hogy miben különbözik a hátsó rész az újranalízistől. A Wikipédia cikkét olvasva ( hu.wikipedia.org/wiki/Backtesting#Hindcast ) azt mondják, hogy " A hindcasting általában egy történelmi periódus numerikus modellintegrációjára utal, ahol egyetlen megfigyelés sem asszimilálódott. Ez megkülönbözteti a hátsó lefutású futtatást az újraelemzéstől. " Ez így van? Ez azt jelenti, hogy nincs asszimiláció $ t_0 $ -nál, vagy nincs asszimiláció $ t_1 $ -nál (a példádban érdekes utolsó időszak)? És a példádban szereplő teljes időszak, a $ t_-1 $ és $ t_1 $ között, mind a múlt, igaz?
- Először is ' figyelmeztetem hogy a különböző tudományterületek / alkalmazások különböző módon használhatják a kifejezéseket. De az atmoszférám szempontjából az elemzés (vagy újranalízis) a modell / asszimilációs kombinációt csak a megfigyelési ablakhoz futtatja, míg egy előrejelzés (vagy új előrejelzés) a modellt a megfigyelési ablakon túl is futtatja. A gyakorlatban ez két lépés ugyanazon előrejelzési rendszerben. Például egy 09-21 UTC megfigyelési ablak segítségével elemzést készíthet 12 UTC-nél, amelyet aztán felhasználva inicializál egy ingyenes futási előrejelzést 7 napig.
- Köszönöm a Deditos-nak a pontosításokat! Ha nem gondolja ', akkor van egy másik kérdésem. Lehetséges-e " visszafelé integrálni az időben "? Például mondjuk, hogy csak január 1-jén és február 1-jén vannak megfigyelések. Az érdekes idő véletlenül január 29. lehet. Használnunk kell az elemzést január 1-jén, és integrálni kell előre a 29 napot, vagy lehetséges-e valamilyen módon felhasználni a február 1-jei és visszafelé " két napig?
- Nem, ' nem integrálhatja a modelleket hátrafelé idő. Ha kezdeti értékproblémája van, és mindenképpen január 1-jét és február 1-ét szeretné használni, akkor ' szüksége van egy megfigyelési ablakra, amely mindkét dátumot lefedi, és ' d megtalálja az optimális kezdeti állapotot egy bizonyos dátumra január 1-jén vagy azt megelőzően.