稍為搜索網上資源後，至少找到兩個相關的修正方法，都不用像傳統 MOS(model-output-statistics) 般要處理大量數據．第一個是卡爾曼濾波，找到一篇 95 年的文章，但由於較複雜(包括方法本身和編程上)，暫時不予採用．另一個是類似 MOS，但只用過去一定日數(如七日)的資料來修正預測.
不管用那個方法，還是要先看看誤差本身的結構．以下是過去十多天，早上五時模式的 2 米溫度(x) 和京士柏站的實況溫度(y)．明顯可看到模式溫度高於實況．根據這些資料就可以有兩個簡單的方法來修正之後的溫度預測：平均誤差或回歸方程．
從以上數據點可看到，如以平均誤差來作準，則不論模式預測氣溫是多少度，也會減去相同的誤差值．若以線性回歸方程作修正，則由於斜率低於一，當溫度偏低時，修正後的溫度比模式的溫度還要高，以今天預測為例，十六日過後的早上，紅色點(修正)比紅色星星(未修正)高．
模式會否在高溫時高估但在低溫時低估，我相信不清楚模式本身是沒法得到答案的．該採用前者還是後者，真的可能要事後才知道．從官方預測數字看來，似乎前者較合適．所以，從今晚開始暫時會以平均誤差作修正．
另外值得一提的是最高和最低溫度．上圖 GFS 的預測每三小時一次，最高溫和最低溫通常都未必就跌在這些時次．例如，翻看過去約十天的京士柏溫度，粗略估計最低溫通常都比早上五時的約低半度．雖然如此，要從 5am 溫度來估計最低溫的困難應不大．
No comments:
Post a Comment