[论文解读] Comparison of BMA and EMOS statistical calibration methods for temperature and wind speed ensemble weather prediction

Sándor Baran, Ándrás Horányi+1 more|arXiv (Cornell University)|Dec 13, 2013

Meteorological Phenomena and Simulations参考文献 19被引用 6

一句话总结

本研究比较了贝叶斯模型平均（BMA）与集合模型输出统计（EMOS）在校准ALADIN-HUNEPS集合系统2米温度和10米风速预报中的表现。采用滚动训练期，两种方法均较原始集合预报提升了预报的可靠性与准确性，其中截断正态BMA在概率预报和点预报指标上略胜EMOS，尤其在CRPS、覆盖率和尖锐度方面表现更优。

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.

研究动机与目标

• 评估并比较BMA与EMOS在实际运行集合天气预报中的统计后处理方法性能。
• 评估2米温度和10米风速预报在概率预报与点预报准确性方面的改进。
• 确定在真实运行数据下，BMA或EMOS哪种方法能提供更好的校准、尖锐度与可靠性。
• 研究偏差校正与分布假设对预报性能的影响。

提出的方法

• BMA通过滚动训练窗口内历史表现确定的权重，将各集合成员的个体概率密度函数（PDF）加权组合，形成预测密度。
• EMOS使用单一参数族（如正态或伽马分布）建模预测分布，其参数为集合统计量的线性函数。
• 温度预报采用截断正态分布的BMA；风速预报则对伽马分布与截断正态分布均进行了测试。
• 模型参数通过滚动训练期估计，以适应季节性与系统变化。
• 性能评估指标包括CRPS、MAE、RMSE、预测区间覆盖率与秩直方图。
• BMA中应用了偏差校正，针对伽马与截断正态模型测试了不同策略。

实验结果

研究问题

• RQ1 BMA与EMOS在提升ALADIN-HUNEPS系统2米温度与10米风速预报校准与准确性方面表现如何比较？
• RQ2 BMA的哪种变体——伽马分布或截断正态分布——表现更优，原因是什么？
• RQ3 EMOS在点预报准确性和可靠性方面是否优于BMA？
• RQ4 偏差校正程序如何影响BMA模型的性能？
• RQ5 不同的分布假设在多大程度上影响预报的尖锐度与可靠性？

主要发现

• 截断正态BMA模型在温度预报中取得最低CRPS（中位数1.0449，均值1.0478）与最高覆盖率（85.46%），优于EMOS与伽马BMA。
• 在风速预报中，截断正态BMA模型的CRPS最低（中位数1.3696，均值1.3772），覆盖率最佳（85.08%），且预测区间最尖锐。
• EMOS在温度与风速预报中均取得最低MAE（1.0384）与RMSE（1.3583），表明其点预报准确性更优。
• 尽管PIT拟合良好且尖锐度高，伽马BMA模型的点预报性能较差，其MAE与RMSE分别为1.0754与1.4192，且偏差较高（中位数偏差：-0.1935）。
• EMOS模型在整体可靠性方面表现最佳，温度预报覆盖率达88.06%，风速预报为88.25%，且PIT分布最均匀。
• 截断正态BMA在概率预报指标上优于EMOS，而EMOS在点预报准确性上略胜BMA，但差异较小。