[论文解读] Spatially adaptive, Bayesian estimation for probabilistic temperature forecasts

Annette Möller, Thordis L. Thorarinsdottir+2 more|arXiv (Cornell University)|Jul 17, 2015

Climate variability and models被引用 4

一句话总结

本文提出马尔可夫链EMOS（MEMOS），一种基于高斯马尔可夫随机场（GMRFs）建模空间变化偏差系数的、空间自适应的贝叶斯统计后处理方法，用于概率温度预报。借助SPDE-INLA框架，MEMOS实现了计算高效、不确定性感知的推断，在德国24小时温度预报中，其预测性能优于全局和局部EMOS方法。

ABSTRACT

Uncertainty in the prediction of future weather is commonly assessed through the use of forecast ensembles that employ a numerical weather prediction model in distinct variants. Statistical postprocessing can correct for biases in the numerical model and improves calibration. We propose a Bayesian version of the standard ensemble model output statistics (EMOS) postprocessing method, in which spatially varying bias coefficients are interpreted as realizations of Gaussian Markov random fields. Our Markovian EMOS (MEMOS) technique utilizes the recently developed stochastic partial differential equation (SPDE) and integrated nested Laplace approximation (INLA) methods for computationally efficient inference. The MEMOS approach shows good predictive performance in a comparative study of 24-hour ahead temperature forecasts over Germany based on the 50-member ensemble of the European Centre for Medium-Range Weather Forecasting (ECMWF).

研究动机与目标

• 解决标准全局EMOS无法捕捉的数值天气预报集合中的空间变化偏差问题。
• 开发一种计算高效、考虑估计不确定性的贝叶斯统计后处理框架。
• 通过建模空间变化的回归系数，实现在任意空间位置而非仅观测站点的概率预报。
• 通过使用空间自适应的高斯马尔可夫随机场先验，提升预报校准性和尖锐性，优于原始预报和传统EMOS方法。
• 在德国真实应用场景中，证明贝叶斯空间自适应后处理的可行性和优越性。

提出的方法

• 将空间变化的EMOS偏差系数建模为高斯马尔可夫随机场（GMRFs）的实现，以实现局部自适应。
• 利用随机偏微分方程（SPDE）方法在离散域上表示GMRFs，从而实现稀疏精度矩阵和计算效率。
• 应用集成嵌套拉普拉斯近似（INLA）实现无需MCMC的快速、精确贝叶斯推断，并整合估计不确定性。
• 将预测分布表述为高斯位置尺度模型，其中均值依赖于集合均值和空间变化的系数。
• 通过SPDE-INLA框架进行完整贝叶斯推断以估计参数，从而实现后处理参数的不确定性量化。
• 通过GMRF结构对空间变化系数进行插值，将方法扩展至任意网格点的预测。

实验结果

研究问题

• RQ1 与全局和局部EMOS相比，贝叶斯空间自适应EMOS方法是否能提升概率温度预报性能？
• RQ2 将空间变化的偏差系数建模为GMRFs是否能提升预报校准性和尖锐性？
• RQ3 SPDE-INLA框架是否能实现在实际运行环境中后处理的计算高效贝叶斯推断？
• RQ4 在德国24小时温度预报任务中，MEMOS在预测评分方面的表现如何？
• RQ5 MEMOS能否在观测站之外生成可靠、空间连续的概率预报？

主要发现

• MEMOS在均方能量评分方面显著优于原始ECMWF集合和全局EMOS，ECC度量下的得分为4.66，而全局EMOS为5.24。
• MEMOS的校准性能优于局部EMOS，多变量秩直方图显示均匀性更好，表明预测分布更具可靠性。
• 该方法在德国整体表现出色，尤其在地形和气候空间变异性较高的沿海地区。
• 由于系数的空间GMRF插值，MEMOS可在任意期望位置提供校准良好、尖锐的预测分布，而不仅限于观测站点。
• 贝叶斯框架成功考虑了估计不确定性，提升了可靠性，同时未牺牲计算效率。
• MEMOS在预测性能上表现出稳健性和一致性，表明其在数值天气预报业务应用中的潜力。