[論文レビュー] Space-time calibration of wind speed forecasts from regional climate models

Luiz E. S. Gomes, Thaís C. O. Fonseca+2 more|arXiv (Cornell University)|Sep 27, 2019

demographic modeling and climate adaptation被引用数 4

ひとこと要約

本論文は、時間的バイアスと歪んだ、打ち切りのある風速分布に対処するため、トランスガウスィアン確率場とデータ拡張を用いた空間時間補正フレームワークを提案する。この手法により、動的で空間的に構造化されたベイズモデルと確率的スコアリングおよびモデル選択基準を統合することで、特に複雑な地形において予測の信頼性と正確性が向上する。

ABSTRACT

Numerical weather predictions (NWP) are systematically subject to errors due to the deterministic solutions used by numerical models to simulate the atmosphere. Statistical postprocessing techniques are widely used nowadays for NWP calibration. However, time-varying bias is usually not accommodated by such models. Its calibration performance is also sensitive to the temporal window used for training. This paper proposes space-time models that extend the main statistical postprocessing approaches to calibrate NWP model outputs. Trans-Gaussian random fields are considered to account for meteorological variables with asymmetric behavior. Data augmentation is used to account for censuring in the response variable. The benefits of the proposed extensions are illustrated through the calibration of hourly 10 m wind speed forecasts in Southeastern Brazil coming from the Eta model.

研究の動機と目的

• 地形や地表面の不均一性による地域気候モデルの風速予測における系統的バイアスに対処する。
• 動的モデリングにより、時間的に変化するバイアスと季節変動を捉える。
• データ拡張とトランスガウスィアン確率場を用いて、非対称的かつ打ち切りのある風速データの性質に対処する。
• 統計的後処理において空間的依存性と時間的ダイナミクスを組み込むことで、確率的予測の信頼性を向上させる。
• 適切なスコアリングルールとベイズ的モデル選択基準（DIC、LPML）を用いて、モデルの性能を評価し、堅牢な補正を実現する。

提案手法

• 時間的に変化する平均と分散をモデル化するため、空間時系列動的線形モデル（ST-DLMs）を用いる。
• ボックス・コックス変換を適用することで、非ガウス分布で歪んだ風速分布をモデリングするため、トランスガウスィアン確率場を用いる。
• 尤度関数において、検出限界以下の風速（例：観測不能な風速）といった打ち切り観測を処理するため、データ拡張を適用する。
• モデルのパラメータと予測分布を推定するため、マルコフ連鎖モンテカルロ（MCMC）サンプリングによるベイズ推論を実装する。
• 地理的距離と地形的複雑性を考慮した共分散関数を用いて、空間的相関構造を統合する。
• 確率的スコアリングルール（IS、CRPS）とモデル選択基準（DIC、LPML）を用いて、最適な補正モデルの比較と選択を実施する。

実験結果

リサーチクエスチョン

• RQ1 時間的に変化するバイアスと空間的依存性を組み込むことで、地域気候モデルの風速予測の信頼性はどの程度向上するか？
• RQ2 打ち切り風速観測のためのデータ拡張は、標準的手法と比較して補正性能をどの程度向上させるか？
• RQ3 トランスガウスィアン確率場は、複雑な地形における10m風速の歪んだ分布を効果的にモデリングできるか？
• RQ4 異なる学習ウィンドウ長さが補正性能に与える影響は何か？また、提案されたモデルはこの感度を緩和できるか？
• RQ5 DICとLPMLといったモデル選択基準の中で、風速予測のための最も正確で信頼性の高い補正モデルを特定するのに最も適したのはどれか？

主な発見

• 提案された空間時間補正モデルは、生のモデル出力と比較して24時間風速予測における平均絶対誤差（MAE）と平均二乗誤差（RMSE）を顕著に低減した。
• データ拡張とトランスガウスィアン変換を組み合わせたモデルは、区間スコア（IS）と連続ランク確率スコア（CRPS）で測定した確率的予測精度において、標準的手法を上回った。
• DICとLPMLを用いたベイズ的モデル選択は、常にデータ拡張を組み込んだ完全な空間時間モデルを支持しており、より優れたフィットと予測性能を示した。
• モデルは特に地形的複雑性の高い地域において、風速の季節的および空間的変動を効果的に捉えており、系統的な過小または過大予測を低減した。
• 補正後の残差はQ-Qプロットで正規性が向上しており、季節をまたいでバイアス低減と良好な補正が達成されたことを示している。
• 動的で時間的に変化するパラメータを用いることで、モデルは気象条件の変化に適応可能となり、固定された学習ウィンドウ長さへの感受性が低減した。