A comparative evaluation of Bayesian inference, fuzzy time series, and adaptive neuro-fuzzy inference systems for predicting the intensity of concurrent drought-pluvial events
Deze studie evalueert Bayesiaanse inferentie, fuzzy tijdreeksen en adaptieve neuro-fuzzy inferentiesystemen voor het voorspellen van de intensiteit van gelijktijdige droogte-pluviale gebeurtenissen met behulp van synoptische voorspellers, waarbij wordt vastgesteld dat geen van de modellen eenvoudige persistentie of klimatologische baselines overtreft vanwege hun onvermogen om de bimodale verdeling van de gebeurtenissen te vangen, wat uiteindelijk leidt tot de conclusie dat de CDPE-intensiteit slechts zwak voorspelbaar is vanuit gelijktijdige maandelijkse synoptische toestanden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het weer is zelden uniform over een continent. Terwijl een deel van het land onder een hittegolf staat te bakken, kan een ander deel verdrinken in de regen. Soms gebeuren deze extremen tegelijkertijd, wat een vreemd en krachtig patroon creëert waarbij een ernstige droogte direct naast een ernstige overstroming ligt binnen dezelfde maand. Wetenschappers noemen dit een gelijktijdige droogte-pluviale gebeurtenis. Het is een ruimtelijke wipwap, een droog-nat dipool die zich uitstrekt over de Verenigde Staten, gedreven door complexe verschuivingen in de atmosfeer. Het begrijpen van hoe deze gebeurtenissen ontstaan en of we hun kracht kunnen voorspellen, is cruciaal voor het beheer van waterbronnen en de voorbereiding op rampen. De atmosfeer is echter een chaotisch systeem, en het voorspellen van deze specifieke, gelijktijdige extremen is moeilijk gebleken. Onderzoekers wenden zich vaak tot geavanceerde computermodellen om patronen in de chaos te vinden, in de hoop het signaal van de ruis te onderscheiden. De vraag blijft: kunnen moderne statistische instrumenten werkelijk de intensiteit van deze tegengestelde weerextremen voorzien, of zijn ze simpelweg te onvoorspelbaar?
Een onderzoeker zette zich af tegen deze vraag door drie verschillende soorten computermodellen op de proef te stellen. De focus lag op vijfentwintig van deze droog-nat gebeurtenissen die plaatsvonden in het aaneengesloten deel van de Verenigde Staten. Om de intensiteit van elke gebeurtenis te meten, keken zij naar het verschil tussen de droogste plek en de natste plek, gebruikmakend van een standaard score die zowel neerslag als de mate van verdamping van het water uit de grond meeweegt. De onderzoeker voerde elk model een set van zeven atmosferische aanwijzingen, waaronder luchttemperatuur, luchtvochtigheid, windrichting en windsnelheid, afkomstig uit twee verschillende wereldwijde weerdatabases. De modellen werden getest op drie verschillende hoogtes in de atmosfeer, van het oppervlak tot in de lagere luchtlagen, om te zien of de gegevensbron of de hoogte de resultaten veranderde. Het doel was simpel: konden deze modellen beter voorspellen hoe sterk het droog-nat contrast zou zijn voor een bepaalde maand dan wanneer men simpelweg het gemiddelde zou gokken of zou aannemen dat het weer hetzelfde zou blijven als de vorige maand?
De resultaten waren sober. Geen van de drie modellen, ongeacht welke gegevens ze gebruikten of op welke hoogte ze keken, slaagde erin om betrouwbaar beter te presteren dan de eenvoudigst mogelijke gokken. Sterker nog, de meest succesvolle voorspeller was geen complex algoritme, maar een basisaanname dat het weer veel zou lijken op hoe het de maand ervoor was. Wanneer de onderzoeker de voorspellingen van de modellen vergeleek met de werkelijke gebeurtenissen, bleek dat de meest geavanceerde methoden er niet in slaagden de ware aard van het fenomeen te vatten. Twee van de modellen, die vertrouwen op waarschijnlijkheid en neurale netwerken, neigden de veilige kant te kiezen. In plaats van de extreme droge of extreme natte omstandigheden te voorspellen die daadwerkelijk plaatsvonden, gokten ze consequent op waarden nabij het midden, waardoor ze de zeer extreme uitschieters die ze juist zouden moeten voorspellen, effectief afvlakten. Het derde model, dat fuzzy logica gebruikt om met onzekerheid om te gaan, slaagde er wel in om een breder bereik aan uitkomsten te voorspellen, inclusief de extremen, maar de gokken waren zo verspreid en onnauwkeurig dat de totale foutmarge net zo hoog was als die van de modellen die vasthielden aan het gemiddelde.
De studie onderzocht ook wat de modellen uit de gegevens "leerden". Hoewel de modellen de intensiteit niet accuraat konden voorspellen, waren ze het erover eens welke atmosferische factoren het belangrijkst waren. Zowel het op waarschijnlijkheid gebaseerde model als het neurale netwerkmodel legden het zwaarste gewicht op noord-zuid windpatronen en de beweging van vocht in die richting. Dit is fysiek logisch, aangezien deze gebeurtenissen vaak worden georganiseerd door lucht die vocht van een nat gebied naar een droog gebied transporteert, of andersom. De modellen identificeerden de juiste ingrediënten correct, maar konden ze niet combineren om een correcte voorspelling van de uiteindelijke uitkomst te maken. Het is alsof een chef de belangrijkste kruiden in een stoofpot correct heeft geïdentificeerd, maar niet kan raden naar de uiteindelijke smaak. De onderzoeker stelde vast dat de informatie beschikbaar in een enkele maandelijkse weersopname simpelweg niet voldoende was om te bepalen hoe intens het droog-nat contrast zou zijn.
De onderzoeker concludeerde dat het voorspellen van de kracht van deze gelijktijdige droogtes en overstromingen veel moeilijker is dan verwacht. De geteste modellen, die zeer weinig aannames doen over hoe de gegevens zich zouden moeten gedragen, stortten in richting het gemiddelde in plaats van de wilde schommelingen van de realiteit te vangen. Hoewel ze correct identificeerden dat noord-zuid vochtransport de belangrijkste drijfveer is, vertaalde deze kennis zich niet in een bruikbare voorspelling. De studie suggereert dat wetenschappers, om voorspellingen te verbeteren, mogelijk naar weerpatronen moeten kijken over meerdere maanden voorafgaand aan de gebeurtenis, in plaats van alleen naar de maand in kwestie, en dat ze mogelijk aparte modellen voor verschillende seizoenen moeten bouwen. Voorlopig blijft de intensiteit van deze dramatische droog-nat dipolen slechts zwak voorspelbaar vanuit de staat van de atmosfeer op het moment dat ze optreden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.