[论文解读] Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison

Benedikt Schulz, Sebastian Lerch|arXiv (Cornell University)|Jun 17, 2021

Meteorological Phenomena and Simulations参考文献 70被引用 106

一句话总结

本文提出对八种统计与机器学习方法在后处理集合风速阵风预报中的系统比较，使用德国气象局六年的高分辨率数据。结果表明，基于神经网络的方法——尤其是结合额外气象预测变量的灵活、局部自适应框架——通过学习物理上一致的关系，特别是在行星边界层日变化过渡方面，显著优于传统方法。

ABSTRACT

Postprocessing ensemble weather predictions to correct systematic errors has become a standard practice in research and operations. However, only few recent studies have focused on ensemble postprocessing of wind gust forecasts, despite its importance for severe weather warnings. Here, we provide a comprehensive review and systematic comparison of eight statistical and machine learning methods for probabilistic wind gust forecasting via ensemble postprocessing, that can be divided in three groups: State of the art postprocessing techniques from statistics (ensemble model output statistics (EMOS), member-by-member postprocessing, isotonic distributional regression), established machine learning methods (gradient-boosting extended EMOS, quantile regression forests) and neural network-based approaches (distributional regression network, Bernstein quantile network, histogram estimation network). The methods are systematically compared using six years of data from a high-resolution, convection-permitting ensemble prediction system that was run operationally at the German weather service, and hourly observations at 175 surface weather stations in Germany. While all postprocessing methods yield calibrated forecasts and are able to correct the systematic errors of the raw ensemble predictions, incorporating information from additional meteorological predictor variables beyond wind gusts leads to significant improvements in forecast skill. In particular, we propose a flexible framework of locally adaptive neural networks with different probabilistic forecast types as output, which not only significantly outperform all benchmark postprocessing methods but also learn physically consistent relations associated with the diurnal cycle, especially the evening transition of the planetary boundary layer.

研究动机与目标

• 为解决风速阵 gust 后处理缺乏综合研究的问题，而风速阵 gust 是严重天气预警的关键变量。
• 系统比较广泛适用的统计与机器学习方法，专门针对概率性风速阵 gust 预报。
• 评估在原始风速阵 gust 集合输出之外引入额外气象预测变量的影响。
• 探究先进机器学习模型是否能学习到物理上一致的关系，例如与日变化相关的物理过程。
• 提供一种灵活、模块化的神经网络后处理框架，支持多种概率预报类型。

提出的方法

• 本研究评估八种后处理方法：三种统计方法（EMOS、MBM、IDR）、两种成熟机器学习方法（EMOS-GB、QRF）以及三种基于神经网络的方法（DRN、BQN、HEN）。
• 所有方法均基于德国20个成员对流允许集合预报系统（COSMO-DE-EPS）和175个地面气象站的六小时数据进行训练。
• 基于神经网络的框架（DRN、BQN、HEN）使用包括风速阵 gust、温度、湿度和大尺度预测变量在内的输入特征，输出涵盖参数化分布、分位数函数和直方图。
• 通过置换重要性评估特征重要性，并在不同预报时效上可视化结果，以分析其时间动态特性。
• 采用合适的评分规则（如CRPS）和可靠性图对模型进行评估，以检验校准性和锐度。
• 模块化、局部自适应设计支持跨站点和预报时效的联合建模，提升预报一致性。

实验结果

研究问题

• RQ1 不同机器学习与统计后处理方法在风速阵 gust 预报预测性能方面如何比较？
• RQ2 在原始风速阵 gust 集合输出之外引入额外气象预测变量，在多大程度上提升了预报技能？
• RQ3 基于神经网络的模型能否学习到物理上一致的关系，例如与日变化行星边界层过渡相关的物理关系？
• RQ4 特征重要性模式在不同预报时效和模型之间如何变化？其揭示了哪些关于底层气象过程的信息？
• RQ5 灵活、模块化的神经网络框架是否能优于已建立的基准方法，同时保持物理合理性？

主要发现

• 所有后处理方法相比原始集合预报，均显著改善了校准性并减少了系统性误差。
• 引入额外气象预测变量（如温度、湿度和风速）在所有方法中均带来显著的预报技能提升。
• 基于神经网络的模型（DRN、BQN、HEN）在CRPS和可靠性方面持续优于所有基准方法，其中HEN变体表现最佳。
• 所提出的模块化、局部自适应神经网络框架学习到了物理上一致的关系，尤其准确捕捉了行星边界层的日落过渡过程。
• 置换重要性分析显示，风速阵 gust 集合离散度和与温度相关的变量是最具影响力的预测变量，其重要性随预报时效系统性变化。
• DRN、BQN 和 HEN 模型展现出鲁棒性与适应性，其特征重要性模式与已知的气象动力学一致，如日变化周期和风暴相关过程。