[論文レビュー] Spatially adaptive, Bayesian estimation for probabilistic temperature forecasts

Annette Möller, Thordis L. Thorarinsdottir+2 more|arXiv (Cornell University)|Jul 17, 2015

Climate variability and models被引用数 4

ひとこと要約

本稿では、空間的に変化するバイアス係数をモデル化するためのガウスマルコフランダムフィールド（GMRFs）を用いた、空間的適応性がありベイズ的統計後処理手法であるマルコフ連鎖EMOS（MEMOS）を提案する。SPDE-INLAフレームワークを活用することで、計算的に効率的かつ不確実性を考慮した推論が可能となり、ECMWF 50メンバーのアンサンブルを用いたドイツ全域における24時間温度予測において、グローバルEMOSおよびローカルEMOSを凌駕する予測性能を示した。

ABSTRACT

Uncertainty in the prediction of future weather is commonly assessed through the use of forecast ensembles that employ a numerical weather prediction model in distinct variants. Statistical postprocessing can correct for biases in the numerical model and improves calibration. We propose a Bayesian version of the standard ensemble model output statistics (EMOS) postprocessing method, in which spatially varying bias coefficients are interpreted as realizations of Gaussian Markov random fields. Our Markovian EMOS (MEMOS) technique utilizes the recently developed stochastic partial differential equation (SPDE) and integrated nested Laplace approximation (INLA) methods for computationally efficient inference. The MEMOS approach shows good predictive performance in a comparative study of 24-hour ahead temperature forecasts over Germany based on the 50-member ensemble of the European Centre for Medium-Range Weather Forecasting (ECMWF).

研究の動機と目的

• 標準的なグローバルEMOSでは捉えきれない、数値予報アンサンブルにおける空間的変動バイアスを解消すること。
• 推定不確実性を考慮した、計算的に効率的なベイズ的フレームワークを統計的後処理に開発すること。
• 空間的変動回帰係数をモデル化することで、観測地点以外の任意の空間位置における確率的予測を可能にすること。
• 空間的適応性を持つガウスマルコフランダムフィールド事前分布を用いることで、生予測および従来のEMOS手法と比較して、予測のキャリブレーションとシャープネスを向上させること。
• ドイツにおける実世界の応用において、ベイズ的で空間的適応性を持つ後処理の実現可能性と優位性を示すこと。

提案手法

• 空間的変動するEMOSバイアス係数をガウスマルコフランダムフィールド（GMRFs）の実現値としてモデル化し、局所的適応性を可能にする。
• 確率的偏微分方程式（SPDE）アプローチを用いて、離散化された領域上でのGMRFsを表現し、スパースな精度行列を実現することで計算効率を向上させる。
• 統合ネストドラプラス近似（INLA）を用いて、MCMCを用いずに高速かつ正確なベイズ推論を実現し、推定不確実性を組み込む。
• 予測分布を、平均がアンサンブル平均および空間的変動係数に依存するガウス位置スケールモデルとして定式化する。
• SPDE-INLAフレームワークを用いた完全ベイズ推論によりパラメータを推定し、後処理パラメータの不確実性を定量化可能にする。
• GMRF構造による空間的変動係数の補間を活用することで、任意のグリッドポイントにおける予測が可能となるように手法を拡張する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ的で空間的適応性を持つEMOS手法は、グローバルEMOSおよびローカルEMOSと比較して、確率的温度予測を改善できるか？
• RQ2 空間的変動バイアス係数をGMRFsとしてモデル化することで、予測のキャリブレーションとシャープネスが向上するか？
• RQ3 SPDE-INLAフレームワークは、運用環境における後処理のための計算的に効率的なベイズ推論を可能にするか？
• RQ4 MEMOSはドイツ全域における24時間温度予測タスクにおいて、予測スコアの観点でどのように性能を発揮するか？
• RQ5 MEMOSは観測局以外の場所においても、信頼性があり空間的に連続した確率的予測を提供できるか？

主な発見

• MEMOSは、生ECMWFアンサンブルおよびグローバルEMOSと比較して、平均エネルギー得点で顕著に優れており、ECC指標では4.66のスコアを記録した。これに対してグローバルEMOSは5.24であった。
• MEMOSはローカルEMOSよりも良好なキャリブレーションを達成しており、多次元ランクヒストограмが均一性に優れていることから、より信頼性の高い予測分布であることが示された。
• 本手法は、地形や気候の空間的変動が顕著な沿岸地域においても、ドイツ全域で優れた予測性能を示した。
• 空間的GMRF補間により、観測地点以外の任意の所定の場所においても、適切にキャリブレートされ、シャープな予測分布が得られた。
• ベイズ的フレームワークは推定不確実性を適切に考慮しており、計算効率を損なわず信頼性を向上させた。
• MEMOSは、予測性能の強固さと一貫性を示しており、数値予報における運用用途への可能性を示唆している。