[논문 리뷰] Vine copula based post-processing of ensemble forecasts for temperature

Annette Möller, Ludovica Spazzini외 3명|arXiv (Cornell University)|2018. 11. 06.

Climate variability and models인용 수 3

한 줄 요약

이 논문은 관측 기온과 앙상블 예보 간의 비정규 분포를 명시적으로 모델링하는 D-나무 복소함수 기반 후처리 방법을 제안한다. 데이터 기반의 쌍-복소함수 구성과 분위수 회귀를 사용함으로써, 특히 장기 예보 수준에서 보다 우수한 校정(캘리브레이션) 성능을 달성하며, 전통적인 EMOS 모델보다 PIT 히스토GRAM의 균일성과 예측 스코어 규칙에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 관측치와 앙상블 예보 간의 비정규성 및 비선형적 의존성을 포괄하지 못하는 전통적인 앙상블 모델 출력 통계(EMOS)의 한계를 해결한다.
• 특히 EMOS 모델이 일반적으로 과소분산을 보이는 장기 예보 수준에서의 예보 校정성과 신뢰도를 향상시킨다.
• 정규 분포나 의존성 구조에 대한 가정 없이도 유연하고 데이터 기반의 통계적 후처리 프레임워크를 개발한다.
• 다수의 연도 데이터를 통합하여 계절 효과를 더 잘 반영하고 모델의 안정성을 향상시키는 새로운 롤링 학습 기간을 통합한다.

제안 방법

• 관측 기온과 앙상블 예보 간의 공동 의존성 구조를 모델링하기 위해 D-나무 복소함수를 사용하여 비정규 의존성의 민감한 모델링을 가능하게 한다.
• 앞서 예측자 선택 기반의 D-나무 분위수 회귀 방법(Kraus and Czado, 2017)을 활용하여 관련된 앙상블 구성요소와 예측자들을 식별한다.
• 쌍-복소함수 구성 기반의 분위수 회귀를 통해 예측 분포를 추정함으로써 비대칭성 및 무거운 尾部 분포를 허용한다.
• 고정된 창 내에서 다수의 연도 데이터를 통합하여 계절 변화를 더 잘 반영하고 모델 안정성을 향상시키는 새로운 롤링 학습 기간을 구현한다.
• D-나무 분위수 회귀 모델의 효율적 구현을 위해 R 패키지 'vinereg'을 활용한다.
• 정확한 스코어 규칙과 PIT 히스토GRAM을 사용하여 표준 EMOS(역할 기반) 및 개선된 EMOS(확장된 학습 기간)와의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 D-나무 복소함수 기반 후처리 모델은 특히 장기 예보 수준에서 표준 EMOS 모델보다 예보 校정 성능을 향상시킬 수 있는가?
• RQ2 D-나무 접근법은 관측 기온과 앙상블 예보 간의 복잡한 비정규 의존성 구조를 얼마나 잘 포착하는가?
• RQ3 제안된 롤링 학습 기간은 고정 또는 표준 학습 창에 비해 모델 성능을 얼마나 향상시키는가?
• RQ4 D-나무 모델은 일반적으로 EMOS 예보에서 관찰되는 과소분산 및 과다분산 문제를 줄일 수 있는가?
• RQ5 D-나무 방법은 정규 분포 가정 없이도 온도와 같이 비정규 기상 변수에 효과적으로 적용될 수 있는가?

주요 결과

• PIT 히스토GRAM이 모든 예보 수준에서 균일도에 가장 가까운 것으로 나타나, D-나무 모델이 校정 성능을 크게 향상시켰음을 입증한다. 특히 120시간 및 240시간 예보에서 두드러진 성과를 보였다.
• 24시간 및 48시간 예보에서는 D-나무 모델이 과소분산의 약한 징후를 보였지만, EMOS-S는 명백한 과소분산을, EMOS-R는 뚜렷한 과다분산을 보였다.
• D-나무 모델은 연속적 랭크 확률 스코어(CRPS)와 로그 스코어(LS) 모두에서 EMOS-S 및 EMOS-R를 능가했으며, 특히 장기 예보 수준에서 성능 향상이 가장 두드러졌다.
• 35개의 관측소 중 70%에서 D-나무 모델이 모든 예보 수준에서 예측 성능 순위에서 1위 또는 2위를 차지하여 뛰어난 일관성과 강력한 우월성을 입증했다.
• 새로운 롤링 학습 기간은 계절 변화의 변동성을 더 잘 반영함으로써, 특히 D-나무 접근법과 조합했을 때 모델 성능 향상에 기여했다.
• D-나무 방법은 매우 민감하며, 모수적 가정 없이도 비정규 분포 변수(예: 바람 속도 또는 강수량)에 효과적으로 적용 가능하다.