[论文解读] Comparison of multivariate post-processing methods using global ECMWF ensemble forecasts

M Lakatos, Sebastian Lerch+2 more|arXiv (Cornell University)|Jun 21, 2022

Climate variability and models被引用 9

一句话总结

本研究采用单变量EMOS后接基于经验copula的依赖结构重建，评估了全球ECMWF集合预报的多变量后处理方法。结果表明，简单的ECC-Q方法优于更复杂的集合Copula耦合（ECC）与Schaake Shuffle（SSh）变体，证明基础多变量校准在计算成本极低的情况下即可实现优异性能，使其成为未来研究的稳健基准。

ABSTRACT

An influential step in weather forecasting was the introduction of ensemble forecasts in operational use due to their capability to account for the uncertainties in the future state of the atmosphere. However, ensemble weather forecasts are often underdispersive and might also contain bias, which calls for some form of post-processing. A popular approach to calibration is the ensemble model output statistics (EMOS) approach resulting in a full predictive distribution for a given weather variable. However, this form of univariate post-processing may ignore the prevailing spatial and/or temporal correlation structures among different dimensions. Since many applications call for spatially and/or temporally coherent forecasts, multivariate post-processing aims to capture these possibly lost dependencies. We compare the forecast skill of different nonparametric multivariate approaches to modeling temporal dependence of ensemble weather forecasts with different forecast horizons. The focus is on two-step methods, where after univariate post-processing, the EMOS predictive distributions corresponding to different forecast horizons are combined to a multivariate calibrated prediction using an empirical copula. Based on global ensemble predictions of temperature, wind speed and precipitation accumulation of the European Centre for Medium-Range Weather Forecasts from January 2002 to March 2014, we investigate the forecast skill of different versions of Ensemble Copula Coupling (ECC) and Schaake Shuffle (SSh). In general, compared with the raw and independently calibrated forecasts, multivariate post-processing substantially improves the forecast skill. While even the simplest ECC approach with low computational cost provides a powerful benchmark method, recently proposed advanced extensions of the ECC and the SSh are found to not provide any significant improvements over their basic counterparts.

研究动机与目标

• 评估多种非参数多变量后处理方法在全局ECMWF集合数据上的预报技巧。
• 比较不同集合Copula耦合（ECC）与Schaake Shuffle（SSh）变体在单变量EMOS校准后重建时间依赖结构的性能。
• 确定近期提出的高级方法（如mdSSh与simSSh）是否显著优于基础方法。
• 评估季节选择与历史轨迹采样对多变量预报可靠性的影响。
• 基于真实世界数据与全面验证，建立稳健的多变量后处理基准。

提出的方法

• 采用集合模型输出统计（EMOS）进行单变量后处理，以校正2米温度、10米风速及24小时累积降水预报中的偏差与欠分散。
• 采用两步法：首先，EMOS生成边缘预测分布；其次，基于经验copula重建预报时效（1–10天）间的时间依赖结构。
• 对于ECC，依赖模板从原始NWP集合中抽取；对于SSh，模板从历史观测中抽取，其变体采用季节或相似性选择策略。
• 测试了五种SSh变体：基础SSh、mdSSh（多日选择）、simSSh（基于相似性的选择）以及两种结合季节与空间约束的变体。
• 评估了四种ECC变体，包括ECC-Q（等距分位数采样），重点仅关注时间依赖结构。
• 验证基于2002年1月至2014年3月期间的4160个SYNOP站点观测数据进行。

实验结果

研究问题

• RQ1 与随机采样相比，SSh中引入季节或基于相似性的选择是否能提升预报性能？
• RQ2 高级ECC与SSh变体是否在多变量预报技巧上显著优于基础ECC-Q与SSh方法？
• RQ3 多变量后处理的性能在不同天气变量（温度、风速、降水）与预报时效上如何变化？
• RQ4 依赖模板的选择（NWP集合 vs. 历史观测）在多大程度上影响预报可靠性？
• RQ5 简单的ECC-Q方法能否作为未来多变量后处理研究的强而低成本的基准？

主要发现

• 基础ECC-Q方法始终优于更复杂的ECC与SSh变体，在计算成本极低的情况下展现出优异的预报技巧。
• 高级SSh变体如mdSSh与simSSh显著提升了相关历史轨迹的使用比例——中位数使用率从23.0%提升至43.4%，尤其在季节性变化显著的条件下。
• 尽管采样策略有所改进，但mdSSh与simSSh在预报性能上并未显著优于基础SSh，表明复杂性带来的附加价值有限。
• 双ECC（dECC）及其他高级ECC扩展未表现出对ECC-Q的一致改进，进一步强化了ECC-Q作为强基准的地位。
• 本研究证实，多变量后处理显著优于原始预报与独立校准的预报，尤其在捕捉时间一致性方面。
• 结果与先前的模拟研究一致，表明在所有条件下并无单一高级方法普遍占优，且简单性通常已足够。