[論文レビュー] Vine copula based post-processing of ensemble forecasts for temperature

Annette Möller, Ludovica Spazzini+3 more|arXiv (Cornell University)|Nov 6, 2018

Climate variability and models被引用数 3

ひとこと要約

本稿では、観測温度とアンサンブル予報の間の非ガウス的依存関係を明示的にモデル化するD-ビンコプゥラに基づく後処理手法を提案する。データ駆動型のペアコプゥラ構築と分位数回帰を用いることで、特に長時間予報において標準的なEMOSモデルを上回るキャリブレーションの向上を実現し、PITヒストグラムの均一性および予測スコアルールの両面で優れた性能を示す。

ABSTRACT

Today weather forecasting is conducted using numerical weather prediction (NWP) models, consisting of a set of differential equations describing the dynamics of the atmosphere. The output of such NWP models are single deterministic forecasts of future atmospheric states. To assess uncertainty in NWP forecasts so-called forecast ensembles are utilized. They are generated by employing a NWP model for distinct variants. However, as forecast ensembles are not able to capture the full amount of uncertainty in an NWP model, they often exhibit biases and dispersion errors. Therefore it has become common practise to employ statistical post processing models which correct for biases and improve calibration. We propose a novel post processing approach based on D-vine copulas, representing the predictive distribution by its quantiles. These models allow for much more general dependence structures than the state-of-the-art EMOS model and is highly data adapted. Our D-vine quantile regression approach shows excellent predictive performance in comparative studies of temperature forecasts over Europe with different forecast horizons based on the 52-member ensemble of the European Centre for Medium-Range Weather Forecasting (ECMWF). Specifically for larger forecast horizons the method clearly improves over the benchmark EMOS model.

研究の動機と目的

• 観測値とアンサンブル予報の間の非ガウス的かつ非線形的依存関係を捉えきれない伝統的なアンサンブルモデル出力統計（EMOS）の限界を是正すること。
• 特にEMOSモデルがしばしば過小分散を示す長期予報時間枠において、予報のキャリブレーションと信頼性を向上させること。
• ガウス分布の裾や依存構造を仮定しない、柔軟でデータ適応型の統計的後処理フレームワークを構築すること。
• 季節的要因をよりよく捉え、モデルの頑健性を向上させるために、固定ウィンドウ内で複数年のデータを集約する新しいローリング訓練期間を組み込むこと。

提案手法

• 観測温度とアンサンブル予報の間の連関構造をモデル化するためにD-ビンコプゥラを採用し、柔軟で非ガウス的依存関係モデリングを可能にする。
• 前向き予測子選択を用いたD-ビンコプゥラ分位数回帰法（Kraus and Czado, 2017）を用い、関連するアンサンブルメンバーおよび予測子を同定する。
• ペアコプゥラ構造を用いた分位数回帰により予測分布を推定し、非対称的かつ重尾型の周辺分布を許容する。
• 固定または標準的な訓練ウィンドウと比較して、モデル安定性と季節適応性を向上させるために、固定ウィンドウ内で複数年のデータを集約する新しいローリング訓練期間を実装する。
• D-ビンコプゥラ分位数回帰モデルの効率的実装にRパッケージ『vinereg』を活用する。
• 適切なスコアルールとPITヒストグラムを用いて、標準的EMOS（ステーション単位）および拡張訓練期間を用いた洗練されたEMOSと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 D-ビンコプゥラに基づく後処理モデルは、特に長時間予報において、標準的EMOSモデルに比べて予報キャリブレーションを向上させることができるか？
• RQ2 D-ビンコプゥラアプローチは、観測温度とアンサンブル予報の間の複雑な非ガウス的依存関係をどれほどうまく捉えられるか？
• RQ3 提案されたローリング訓練期間は、固定または標準的な訓練ウィンドウと比較して、モデル性能をどの程度向上させるか？
• RQ4 D-ビンコプゥラモデルは、EMOS予報でよく見られる過小分散および過大分散の問題を軽減できるか？
• RQ5 D-ビンコプゥラ手法は、分布的仮定を要しない非ガウス的気象変数（例：風速や降水量）に対しても、効果的に適用可能か？

主な発見

• D-ビンコプゥラモデルは、特に120および240時間の予報リード時間において、PITヒストグラムが均一性に最も近いことから、キャリブレーションが著しく向上していることが示された。
• 24および48時間の予報では、D-ビンコプゥラモデルは弱い過大分散の兆候しか示さないが、EMOS-Sは明確な過小分散を示し、EMOS-Rは顕著な過大分散を示している。
• 連続ランク確率スコア（CRPS）および対数スコア（LS）の両方において、D-ビンコプゥラモデルはEMOS-SおよびEMOS-Rを上回り、特に長時間予報において最も顕著な性能向上が見られた。
• 35の観測所の70％において、D-ビンコプゥラモデルは全予報リード時間において予測性能で最良または第2位の順位を占めており、一貫した優位性が裏付けられた。
• 新規のローリング訓練期間は、特にD-ビンコプゥラ手法と組み合わせた場合、季節的変動をよりよく捉えることでモデル性能を向上させた。
• D-ビンコプゥラ手法は非常に柔軟であり、周辺分布についてのパラメトリック仮定を必要としないため、風速や降水量などの非ガウス的変数に対しても適している。