[论文解读] Space-time calibration of wind speed forecasts from regional climate models

Luiz E. S. Gomes, Thaís C. O. Fonseca+2 more|arXiv (Cornell University)|Sep 27, 2019

demographic modeling and climate adaptation被引用 4

一句话总结

本文提出了一种基于转换高斯随机场和数据增强的时空校准框架，用于区域气候模型的风速预报，以解决时间偏差和风速分布偏斜、右删失的问题。该方法通过整合动态、空间结构化的贝叶斯模型与概率评分及模型选择准则，提升了预报的可靠性与准确性，尤其在复杂地形区域表现更优。

ABSTRACT

Numerical weather predictions (NWP) are systematically subject to errors due to the deterministic solutions used by numerical models to simulate the atmosphere. Statistical postprocessing techniques are widely used nowadays for NWP calibration. However, time-varying bias is usually not accommodated by such models. Its calibration performance is also sensitive to the temporal window used for training. This paper proposes space-time models that extend the main statistical postprocessing approaches to calibrate NWP model outputs. Trans-Gaussian random fields are considered to account for meteorological variables with asymmetric behavior. Data augmentation is used to account for censuring in the response variable. The benefits of the proposed extensions are illustrated through the calibration of hourly 10 m wind speed forecasts in Southeastern Brazil coming from the Eta model.

研究动机与目标

• 解决由于地形和地表异质性导致的区域气候模型风速预报中的系统性偏差。
• 通过动态建模，考虑风速预测中的时变偏差和季节性变化。
• 利用转换高斯随机场和数据增强，处理风速数据的非对称性和右删失特性。
• 通过在统计后处理中引入空间依赖性和时间动态性，提升概率预报的可靠性。
• 利用合适的评分规则和贝叶斯模型选择准则（DIC、LPML）评估模型性能，实现稳健校准。

提出的方法

• 采用时空动态线性模型（ST-DLMs）对风速预报进行建模，允许均值和方差随时间变化。
• 利用转换高斯随机场对非高斯、偏斜的风速分布进行建模，通过Box-Cox变换实现。
• 通过在似然函数中应用数据增强方法，处理删失观测（如低于检测阈值的风速）。
• 通过马尔可夫链蒙特卡洛（MCMC）抽样实现贝叶斯推断，以估计模型参数和预测分布。
• 利用协方差函数整合空间相关结构，同时考虑地理距离和地形复杂性。
• 使用概率评分规则（IS、CRPS）和模型选择准则（DIC、LPML）比较并选择最优校准模型。

实验结果

研究问题

• RQ1 引入时变偏差和空间依赖性在多大程度上提升了区域气候模型风速预报的可靠性？
• RQ2 与标准方法相比，对删失风速观测进行数据增强在多大程度上提升了校准性能？
• RQ3 转换高斯随机场能否有效建模复杂地形中10米高度风速的偏斜分布？
• RQ4 不同训练窗口长度对校准性能有何影响？所提出的模型能否缓解这种敏感性？
• RQ5 哪种模型选择准则（DIC、LPML）最能识别出最准确、最可靠的风速预报校准模型？

主要发现

• 与原始模型输出相比，所提出的时空校准模型显著降低了24小时风速预报的平均绝对误差（MAE）和均方根误差（RMSE）。
• 结合数据增强和转换高斯变换的模型在概率预报准确性上优于标准方法，表现为区间评分（IS）和连续 ranked 概率评分（CRPS）更优。
• 基于DIC和LPML的贝叶斯模型选择始终偏好包含数据增强的完整时空模型，表明其拟合优度和预测性能更优。
• 该模型有效捕捉了风速在季节和空间上的变化，尤其在地形复杂的区域，显著减少了系统性低估或高估。
• 校准后模型的残差在Q-Q图中正态性改善，表明全季节范围内校准效果更好，偏差更小。
• 动态时变参数的使用使模型能够适应不断变化的气象条件，降低了对固定训练窗口长度的敏感性。