[논문 리뷰] Comparison of BMA and EMOS statistical calibration methods for temperature and wind speed ensemble weather prediction

Sándor Baran, Ándrás Horányi외 1명|arXiv (Cornell University)|2013. 12. 13.

Meteorological Phenomena and Simulations참고 문헌 19인용 수 6

한 줄 요약

이 연구는 ALADIN-HUNEPS 집합 시스템에서의 2m 기온과 10m 풍속 예보를 校정하기 위해 베이지안 모형 평균화(BMA)와 통합 모형 출력 통계(EMOS)를 비교한다. 굴러가는 학습 기간을 사용하여, 두 방법 모두 원시 집합 예보보다 예보 신뢰도와 정확도를 향상시킨다. 특히 CRPS, 커버리지, 샤프nees 측면에서 절단 정규분포 BMA가 EMOS를 略히 뛰어넘는 성능을 보인다.

ABSTRACT

The evolution of the weather can be described by deterministic numerical weather forecasting models. Multiple runs of these models with different initial conditions and/or model physics result in forecast ensembles which are used for estimating the distribution of future atmospheric variables. However, these ensembles are usually under-dispersive and uncalibrated, so post-processing is required. In the present work we compare different versions of Bayesian Model Averaging (BMA) and Ensemble Model Output Statistics (EMOS) post-processing methods in order to calibrate 2m temperature and 10m wind speed forecasts of the operational ALADIN Limited Area Model Ensemble Prediction System of the Hungarian Meteorological Service. We show that compared to the raw ensemble both post-processing methods improve the calibration of probabilistic and accuracy of point forecasts and that the best BMA method slightly outperforms the EMOS technique.

연구 동기 및 목표

• 운영용 집합 기상 예보에 대한 BMA와 EMOS 통계적 후처리 방법의 성능을 평가하고 비교하기.
• 2m 기온과 10m 풍속에 대한 확률적 및 점 예보 정확도 향상 평가하기.
• 실제 운영 데이터를 바탕으로 BMA 또는 EMOS 중 어느 방법이 더 나은 校정, 샤프nees, 신뢰도를 제공하는지 규명하기.
• 편향 校정 및 분포 가정의 영향이 예보 성능에 미치는 영향 조사하기.

제안 방법

• BMA는 굴러가는 학습 윈도우 기간 동안의 역사적 성과를 기반으로 가중치를 부여한 집합 구성원의 개별 PDF의 가중합으로 예측 밀도를 구성한다.
• EMOS는 집합 통계의 선형 함수로 표현되는 단일 비모수적 가족(예: 정규분포 또는 감마분포)을 사용하여 예측 분포를 모델링한다.
• 기온의 경우 BMA에서 절단 정규분포를 사용하고, 풍속의 경우 감마분포와 절단 정규분포를 모두 테스트한다.
• 모델 파라미터는 계절적 변화 및 시스템 변화에 적응하기 위해 굴러가는 학습 기간을 사용하여 추정한다.
• 성능 평가는 CRPS, MAE, RMSE, 예측 구간의 커버리지, 랭크 히스토GRAM을 사용하여 평가한다.
• BMA에서는 편향 보정을 적용하였으며, 감마 및 절단 정규분포 모델에 대해 다양한 전략을 테스트하였다.

실험 결과

연구 질문

• RQ1 BMA와 EMOS 방법은 ALADIN-HUNEPS 시스템에서의 2m 기온과 10m 풍속 예보의 校정 및 정확도 향상에 어떻게 비교되는가?
• RQ2 감마 또는 절단 정규분포 BMA 중 어느 모델이 더 우수한 성능을 보이며, 그 이유는 무엇인가?
• RQ3 점 예보 정확도 및 신뢰도 측면에서 EMOS가 BMA를 뛰어넘는가?
• RQ4 편향 보정 절차는 BMA 모델의 성능에 어떤 영향을 미치는가?
• RQ5 다른 분포 가정이 예보의 샤프nees와 신뢰도에 얼마나 큰 영향을 미치는가?

주요 결과

• 절단 정규분포 BMA 모델은 기온에 대해 가장 낮은 CRPS(중위수: 1.0449, 평균: 1.0478)와 가장 높은 커버리지(85.46%)를 기록하여 EMOS 및 감마 BMA를 모두 앞서간다.
• 풍속에 대해서는 절단 정규분포 BMA 모델이 가장 낮은 CRPS(중위수: 1.3696, 평균: 1.3772), 가장 높은 커버리지(85.08%), 가장 샤프너한 예측 구간을 기록하였다.
• EMOS는 기온과 풍속 모두에서 가장 낮은 MAE(1.0384)와 RMSE(1.3583)를 기록하여 점 예보 정확도가 뛰어나다는 것을 보여주었다.
• 감마 BMA 모델은 좋은 PIT 적합도와 샤프nees를 보였지만, 점 예보 성능은 열 劣하였으며, MAE와 RMSE는 각각 1.0754와 1.4192였고, 중위수 편향은 -0.1935로 높았다.
• EMOS 모델은 기온(88.06%)과 풍속(88.25%)에 대해 가장 높은 전체적인 신뢰도를 보였으며, PIT 분포가 가장 균일하였다.
• 확률적 지표 측면에서 절단 정규분포 BMA 모델이 EMOS를 앞서며, 점 예보 정확도 측면에선 EMOS가 BMA를 略히 뛰어나지만, 그 차이는 미미하였다.