"La previsione è molto difficile, soprattutto se si tratta del futuro, " Disse una volta il premio Nobel Niels Bohr.

La ricercatrice di Argonne Julie Bessac e il suo collega francese Philippe Naveau sono d'accordo e hanno intrapreso uno studio per alleviare forse la difficoltà nella valutazione delle previsioni meteorologiche. La loro carta, dal titolo "Valutazione previsionale con osservazioni imperfette e modelli imperfetti, " si concentra su nuove metriche di valutazione della qualità, regole di punteggio, per tenere conto degli errori nelle osservazioni e nelle previsioni.

Gli schemi di punteggio classici in genere comportano il confronto di diverse previsioni con osservazioni. Ma tali osservazioni contengono quasi sempre errori – dovuti, Per esempio, a problemi di registrazione dei dati o carenze dello strumento. Infatti, uno studio recente ha mostrato che il punteggio del logaritmo classico utilizzato da tali schemi è fuorviante nella selezione della migliore previsione quando sono presenti errori di osservazione, e che la distribuzione probabilistica dei dati di verifica dovrebbe dipendere dalla modellazione dei processi fisici sottostanti che non sono osservati.

Basandosi sui risultati di tale studio, Bessac e Naveau hanno proposto un nuovo modello di punteggio che accoppia previsioni e distribuzioni di osservazione per correggere un punteggio quando sono presenti errori nei dati di verifica e nella previsione. Hanno inoltre evidenziato la necessità di indagare ulteriori statistiche rispetto al punteggio medio comunemente utilizzato nella pratica.

Il team ha confrontato/formulato il suo nuovo approccio con due modelli popolari. Il primo modello aiuta a comprendere il ruolo e l'impatto degli errori di osservazione rispetto al vero stato non osservato dell'atmosfera X, ma non incorpora l'idea di errore di previsione. Nel secondo modello sia le osservazioni Y che le previsioni Z sono modellate come versioni con errori dello stato dell'atmosfera X, che ancora una volta non si osserva.

"Distinguere tra la verità non osservata (processi nascosti) e i dati di verifica osservati (ma non corretti) è fondamentale per comprendere l'impatto delle osservazioni imperfette sulla modellazione previsionale, " disse Bessac, come assistente statistico computazionale presso la Divisione di Matematica e Informatica ad Argonne.

Il nuovo modello offre diversi vantaggi:(1) propone un quadro semplice per tenere conto degli errori nei dati di verifica e nella previsione; (2) evidenzia l'importanza di esplorare la distribuzione dei punteggi invece di concentrarsi solo sulla media; e (3) mostra l'importanza di tenere conto degli errori nei dati di verifica che possono essere potenzialmente fuorvianti.

Il modello è stato testato su due casi in cui si presume che i parametri delle distribuzioni coinvolte siano noti. Mentre questi erano casi idealizzati, i ricercatori hanno sottolineato che i risultati del test evidenziano l'importanza di indagare sulla distribuzione dei punteggi quando i dati di verifica sono considerati una variabile casuale.