¿Suponer que el tiempo de mañana será el mismo que el de hoy es un buen modelo?

Escuché a la gente decir que asumir que el clima de mañana será el mismo que el de hoy es tan bueno o mejor que los modelos meteorológicos.

  • Este libro dice que la gente asume que es la mejor manera

  • Este sitio afirma que tiene un 40% de precisión.

¿Alguien ha probado la precisión de este modelo y lo ha comparado con las predicciones meteorológicas modernas?

Sería interesante ver qué tan preciso puede ser, pero tanto yo como probablemente muchas otras personas hemos visto cambios en el clima bastante rápido. He tenido un punto en el que llovió y hacía frío el primer día, soleado y cálido en verano el otro...
@Sharain: Sí, los datos anecdóticos como ese no son muy útiles cuando se afirma que son (solo) un 40 % precisos.
@Oddthinking, la afirmación también es que es (o era) más preciso que los modelos meteorológicos.
@Sklivvz: Sí, de acuerdo. El simple hecho de señalar que decir "Esta predicción meteorológica fue realmente incorrecta una vez" no es evidencia que podamos usar. Todas las predicciones meteorológicas son realmente incorrectas a veces.
La precisión en % no es necesariamente la métrica más útil en el pronóstico del tiempo. Un meteorólogo en Arabia Saudita podría predecir correctamente el clima con este modelo los 364 días del año. Lo que hace que él (o ella? No estoy seguro en SA) sea valioso es predecir el día en que azota la tormenta. También depende de la precisión del pronóstico. Además, la precisión de un modelo de "mañana es igual a hoy" variará enormemente según el lugar.
@gerrit: También es útil entender por qué este parece ser un buen modelo, cuando en realidad no es realmente útil. En muchos lugares, el clima viene en sistemas que tardan varios días en pasar por un lugar determinado. Por ejemplo, aquí en el oeste de los EE. UU., una cresta de alta presión puede asentarse durante muchos días, trayendo cielos despejados y temperaturas cálidas; o Los sistemas de tormentas del Pacífico pueden tardar días en pasar. Por lo tanto, habrá muchos más días 'similares' dentro de un sistema que días de transición entre ellos. (Consulte cualquier texto de meteorología para obtener referencias).
Existe todo un campo de investigación sobre las estadísticas de series temporales de datos atmosféricos. Por ejemplo, ver: Wilks, Daniel S. Métodos estadísticos en las ciencias atmosféricas. vol. 100. Prensa académica, 2011. El capítulo 8 trata de series temporales y contiene una gran cantidad de información relevante.
Si desea ver un conjunto de datos fantástico, le sugiero la competencia de pronóstico WxChallenge . Puede revisar los resultados de más de una década de pronósticos de cientos de estudiantes universitarios (generalmente con especialización en meteorología), profesores y ex alumnos, y compararlos con el desempeño del NWS, los modelos, la persistencia y la climatología al pronosticar la noche anterior para diferentes ciudades Generalmente, la persistencia tiene más éxito en lugares/estaciones con menos variabilidad (climas mediterráneos/tropicales y verano), pero no es demasiado confiable.

Respuestas (2)

El bloguero Randal Olson reprodujo un gráfico de The Signal and the Noise de Nate Silver que, a su vez, se basó en datos de ForecastWatch .

ingrese la descripción de la imagen aquí

Ignora la línea naranja; es irrelevante para esta discusión. (Solo como ilustración: se basa en una idea similar de predecir que hará calor en tu cumpleaños, porque ha hecho calor en tus cumpleaños anteriores).

La línea azul representa Persistencia, el concepto de la pregunta.

La línea gris representa pronósticos de calidad comercial.

Cuanto más alta sea la línea, peor será la estimación.

La línea azul siempre es más alta que la línea gris: un delta de aproximadamente 2,5 °F (alrededor de 1,5 °C) después de 1 día.

En base a esto, podemos concluir que, aunque la persistencia no es un modelo terrible (predice con un error de solo alrededor de 5,5 °F o 3 °C), tiene un desempeño mucho más pobre que una estimación meteorológica profesional en los pronósticos de temperatura.

¿Son los pronósticos de organizaciones como NOAA "pronósticos comerciales"?
Además, tenga en cuenta que esto considera solo la temperatura. Para la mayoría de las personas, la precipitación y el viento son una parte muy importante del clima, y ​​la calidad del modelo de "persistencia" podría ser aún peor allí.
@gerrit ¿A los no marineros les importa mucho el viento? Suponiendo que la temperatura sea 'temporada', en su mayoría solo querría saber si va a llover: y el modelo de "persistencia" podría ser bastante bueno allí: "hoy no llueve ni mañana" o "hoy llueve y mañana llueve". .
@ChrisW En los Países Bajos, casi todo el mundo se preocupa por el viento, porque si hay viento es posible que tengas que salir de casa 10 minutos antes para llegar a tiempo al trabajo (en bicicleta). Así que depende de la zona.
@gerrit Gracias, se me había olvidado que hay un país donde los ciclistas no son una minoría despreciable.
Tengo que apresurarme a señalar que la forma en que se presenta este gráfico es increíblemente engañosa. A simple vista, parece que la persistencia se destaca , a menos que lea el eje y comprenda lo que significan. No son datos engañosos, pero la forma en que se presentan crea una mala primera impresión.
¿Engañoso a menos que lea el eje? ¿Eh? ¿Qué somos, analfabetos? ¿Diría que un gráfico que compara precios también es engañoso si la alternativa más barata es la línea más abajo?
@gerrit ¿Si el eje está mal etiquetado? Sí. No digo que se deba esperar que leamos un gráfico perfectamente sin leer el eje, digo que podría ser la razón por la cual un concepto erróneo como este comienza en primer lugar.
@Zibbobz El hecho de que suba en función del tiempo debería hacer obvio que más alto es peor, incluso sin leer ninguna etiqueta.
Ambos tienen razón. Los gráficos, incluido este, pueden tener ejes engañosos, que oscurecen su significado real a primera vista. Como resultado, sí, es importante leer cuidadosamente las marcas de los ejes. Es fácil entender por qué está orientado de esta manera: mide el error, que tiene un límite inferior de cero y ningún límite superior. Sin embargo, cuando miré el gráfico por primera vez, noté que no era intuitivo, por lo que enfaticé explícitamente que cuanto más alta es la línea, peor es la estimación. Esperaba que eso fuera suficiente para evitar confusiones.
Sí, probabilidad de lluvia, número de milímetros de lluvia, humedad, velocidad y dirección del viento, temperatura mínima , presión barométrica, mareas y oleaje, horas de salida y puesta del sol, factores de sensación térmica, peligro de incendio, recuento de polen, índice UV y marmota las sombras son parte de las predicciones meteorológicas. La pregunta era vaga sobre lo que estaba incluido. Creo que la temperatura máxima diaria estaba implícita, ya que generalmente es el factor más importante en el que la gente piensa como predicción meteorológica.
Otra deficiencia a considerar: Diferencias regionales. He vivido en diferentes ciudades, que han tenido diferentes previsibilidades. (Afirmo, anecdóticamente, que el modelo de climatología y persistencia funcionaría peor en la zona templada de Melbourne, con un clima notoriamente cambiante, que en la zona tropical de Darwin, donde nunca llueve durante ciertos meses, y luego hay tormentas tropicales prácticamente todas las noches durante otros meses).
La imagen parece estar rota.

No es posible responder a esta pregunta como se hizo porque:

  1. ¿Qué entiendes por clima? ¿Lluvia? ¿La temperatura? ¿Viento?
  2. ¿De qué parte del mundo estás hablando? Diferentes lugares tienen más o menos variación climática.

Sin embargo, solo por diversión, descargué los datos de lluvia para la estación meteorológica automática del hipódromo de Canterbury del Australian Beureau of Meterology ( aquí ) y analicé solo los datos de lluvia.

Hubo 248 días en los que la precipitación de los días anteriores (sí/no) fue la misma que la del día actual y 101 que fueron diferentes, una precisión de alrededor del 71 %.

Esto solo suma 349 no 364 porque:

  1. El 1 de enero no tiene un día de comparación en el conjunto de datos.
  2. Hubo 8 días en los que no se tomaron medidas; debido a que estaban dispersas, esto llevó a 14 días en los que no se pudo hacer ninguna comparación.

Puede hacer esto para cualquier lugar donde dichos datos estén disponibles.

Lea el aviso anterior y corrija su respuesta en consecuencia. 1. Debe demostrar que sus cálculos tienen validez general; 2. De todos modos, no está comparando el valor que encontró con las predicciones; 3. Evite los comentarios de "esto no es posible responder" en una ... respuesta. Si no es posible responder, sugiera una solución en un comentario, no una respuesta; si es posible responder, entonces responde, pero no comentes :-)
En realidad, ya hay mucha investigación sobre este tema, consulte las cadenas de Markov y los modelos autorregresivos.
¿Suponer que el tiempo de mañana será el mismo que el de hoy es un buen modelo?
RespuestasAquíPolítica de privacidad1y, 0v