[논문 리뷰] Spatially adaptive, Bayesian estimation for probabilistic temperature forecasts

Annette Möller, Thordis L. Thorarinsdottir외 2명|arXiv (Cornell University)|2015. 07. 17.

Climate variability and models인용 수 4

한 줄 요약

이 논문은 공간적으로 적응 가능한 베이지안 통계 후처리 방법인 마르코프 연속형 EMOS(MEMOS)를 제안한다. 이 방법은 온도 예측에 대해 공간적으로 변화하는 편향 계수를 모델링하기 위해 가우시안 마르코프 무작위 필드(GMRFs)를 사용한다. SPDE-INLA 프레임워크를 활용하여 계산적으로 효율적이고 불확실성 인식이 가능한 추론을 가능하게 하여, 독일 전역에서 ECMWF 50개의 앙상블을 사용한 24시간 온도 예측에서 전역 및 국지적 EMOS보다 예측 성능이 뛰어나다.

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).

연구 동기 및 목표

• 표준 전역 EMOS가 포착하지 못하는 수치 기상 예측 앙상블의 공간적으로 변화하는 편향을 해결하기 위해.
• 추정 불확실성을 고려한 계산적으로 효율적인 베이지안 프레임워크를 개발하기 위해.
• 공간적으로 변화하는 회귀 계수를 모델링하여 관측 지점 외의 어떤 공간적 위치에서도 예측 가능하게 하기 위해.
• 공간적으로 적응적인 가우시안 마르코프 무작위 필드 사전분포를 사용하여 원시 및 전통적 EMOS 방법보다 예측 보정과 날카로움을 향상시키기 위해.
• 실제 독일 응용 사례에서 베이지안적이고 공간적으로 적응 가능한 후처리의 실현 가능성과 우수성을 입증하기 위해.

제안 방법

• 공간적으로 변화하는 EMOS 편향 계수를 실현된 가우시안 마르코프 무작위 필드(GMRFs)로 모델링하여 국지적 적응을 가능하게 하기 위해.
• 스토하스틱 편미분방정식(SPDE) 접근법을 사용하여 이산화된 도메인에서 GMRFs를 표현함으로써 희박한 정밀도 행렬과 계산 효율성을 확보하기 위해.
• 통합 중첩 라플라스 근사(INLA)를 적용하여 MCMC 없이도 빠르고 정확한 베이지안 추론을 수행하고 추정 불확실성을 통합하기 위해.
• 예측 분포를 평균이 앙상블 평균과 공간적으로 변화하는 계수에 의존하는 가우시안 위치-스케일 모델로 설정하기 위해.
• SPDE-INLA 프레임워크를 사용하여 전체 베이지안 추론을 통해 매개변수를 추정함으로써 후처리 매개변수의 불확실성 정량화를 가능하게 하기 위해.
• 공간적으로 변화하는 계수를 GMRF 구조를 통해 보간함으로써 임의의 격자점에서의 예측이 가능하도록 방법을 확장하기 위해.

실험 결과

연구 질문

• RQ1 베이지안적이고 공간적으로 적응 가능한 EMOS 방법이 전역 및 국지적 EMOS에 비해 확률적 온도 예측을 향상시킬 수 있는가?
• RQ2 공간적으로 변화하는 편향 계수를 GMRF로 모델링하는 것이 예측 보정과 날카로움을 향상시키는가?
• RQ3 SPDE-INLA 프레임워크가 운영 환경에서 후처리를 위한 계산적으로 효율적인 베이지안 추론을 가능하게 하는가?
• RQ4 MEMOS가 독일 전역에서 24시간 온도 예측 과제에 적용되었을 때 예측 점수 측면에서 어떻게 성능을 내는가?
• RQ5 MEMOS는 관측 기지 외부에서도 신뢰할 수 있고 공간적으로 연속적인 확률적 예측을 제공할 수 있는가?

주요 결과

• MEMOS는 원시 ECMWF 앙상블과 전역 EMOS에 비해 평균 에너지 점수에서 뚜렷한 우월성을 보였으며, ECC 척도에서 점수 4.66을 기록하여 전역 EMOS의 5.24보다 우수했다.
• MEMOS는 다변량 순위 히스토ограм을 통해 국지적 EMOS보다 더 우수한 균일성을 보이며 보다 신뢰할 수 있는 예측 분포를 제공하여 보다 나은 보정을 달성했다.
• 이 방법은 기상학적 고도와 기후의 공간적 변동성이 높은 해안 지역에서 독일 전역에서 강력한 예측 성능을 보였다.
• 공간적 GMRF 보간을 통해 계수를 보간함으로써 MEMOS는 관측 지점 외의 원하는 위치에서 잘 보정되고 날카로운 예측 분포를 제공했다.
• 베이지안 프레임워크는 추정 불확실성을 성공적으로 고려했으며, 계산 효율성에 손상 없이 신뢰성을 향상시켰다.
• MEMOS는 예측 성능에서 뛰어난 강건성과 일관성을 보였으며, 수치 기상 예측에서의 운영 적용 잠재력을 보여주었다.