Laat $ t_0 $ het moment van interesse zijn, $ t _ {- 1} $ iets voor $ t_0 $ en $ t_1 $ een moment in de tijd zijn na $ t_0 $.
Nu is er geen verwarring met de voorspelling – als de huidige tijd $ t_0 $ is, gebruikt een voorspelling op $ t_1 $ bijvoorbeeld een model dat assimileert waarnemingen op $ t_0 $, en stap dan vooruit in de tijd om de voorspelling op $ t_1 $ te maken.
Stel dat de huidige tijd $ t_1 $ is. Ik ben in de war over wat een hindcast op tijd $ t_0 $ betekent. Starten we het model op met $ t_1 $, gaan we terug in de tijd om de hindcast op $ t_0 $ te berekenen, of starten we het model op voor $ t _ {- 1} $, voer dan het model uit om bij $ t_0 $ te komen?
Answer
Een hindcast, ook bekend als een historische herprognose, integreert het model voorwaarts in de tijd net als bij een prognose, dus u “initialiseert het model op $ t _ {- 1} $ en loopt door tot $ t_1 $. Als je een assimilatiesysteem hebt dat gebruik kan maken van waarnemingen op $ t_0 $, dan zou het deze op dezelfde manier gebruiken als bij een voorspelling.
Het punt van een hindcast is om de voorspelling te doen opnieuw iets gebruiken dat oorspronkelijk niet beschikbaar was. Dat nieuwe iets kunnen observaties zijn (voor assimilatie of voor verificatie), het assimilatiesysteem of het prognosemodel. Ze kunnen worden gebruikt om het modelleringssysteem te kalibreren of gewoon om te controleren of updates van de modellering systeem verbetert in feite de voorspelling. Ze worden vaak gebruikt voor casestudys van extreme gebeurtenissen of situaties waarvan bekend is dat ze lastig te voorspellen zijn; Waarom zou u tenslotte wachten op het volgende evenement van 1 op de 30 jaar om uw nieuwe systeem te testen als u er een in het archief heeft, waarschijnlijk met veel verificatiegegevens die in de loop der jaren zijn verzameld.
Opmerkingen
- Bedankt Deditos – hoewel ik nu niet duidelijk ben hoe de hindcast verschilt van een heranalyse. Bij het lezen van het Wikipedia-artikel ( en.wikipedia.org/wiki/Backtesting#Hindcast ), staat daar " Hindcasting verwijst meestal naar een numerieke modelintegratie van een historische periode waarin geen waarnemingen zijn geassimileerd. Dit onderscheidt een hindcast-run van een heranalyse. " Klopt dit? Betekent dit geen assimilatie voor $ t_0 $, of geen assimilatie voor $ t_1 $ (de laatste tijdsperiode van interesse in uw voorbeeld)? En de hele periode in uw voorbeeld, $ t_-1 $ t / m $ t_1 $, ligt allemaal in het verleden, toch?
- Ten eerste, ' ll voorbehoud dat verschillende disciplines / toepassingen de termen op verschillende manieren kunnen gebruiken. Maar vanuit mijn atmos-perspectief voert een analyse (of heranalyse) de model / assimilatiecombinatie alleen uit voor het observatievenster, terwijl een voorspelling (of herprognose) het model buiten het observatievenster laat lopen. In de praktijk zijn dit twee stappen in hetzelfde voorspellingssysteem. Gebruik bijvoorbeeld een 09-21 UTC-observatievenster om een analyse op 12 UTC te produceren, die vervolgens wordt gebruikt om een gratis lopende voorspelling tot 7 dagen te initialiseren.
- Bedankt Deditos voor de verduidelijkingen! Als je het niet ' erg vindt, heb ik nog een vraag. Is het mogelijk om " achterwaarts " in de tijd te integreren? Zeg bijvoorbeeld dat alleen waarnemingen op 1 januari en 1 februari beschikbaar zijn. De tijd van interesse is toevallig 29 januari. Zou men de analyse op 1 januari moeten gebruiken en 29 dagen vooruit integreren, of is het mogelijk om op de een of andere manier gebruik te maken van de waarnemingen op 1 februari en " achteruit gaan " twee dagen?
- Nee, je kunt ' t modellen achterwaarts integreren in tijd. Als je een beginwaardeprobleem hebt en zeker zowel 1 januari als 1 februari obs wilt gebruiken, dan heb je ' een observatievenster nodig dat beide datums beslaat en je ' zou de optimale begintoestand vinden voor een datum op of vóór 1 januari.