[论文解读] Vine copula based post-processing of ensemble forecasts for temperature

Annette Möller, Ludovica Spazzini+3 more|arXiv (Cornell University)|Nov 6, 2018

Climate variability and models被引用 3

一句话总结

本文提出了一种基于D- vines copula的后处理方法，用于概率温度预报，该方法显式建模了观测温度与集合预报之间的非高斯依赖关系。通过使用数据驱动的成对- copula 构造和分位数回归，该方法显著提升了校准效果，尤其是在较长预报时效下，其在PIT直方图均匀性和预测评分规则方面均优于标准EMOS模型。

ABSTRACT

Today weather forecasting is conducted using numerical weather prediction (NWP) models, consisting of a set of differential equations describing the dynamics of the atmosphere. The output of such NWP models are single deterministic forecasts of future atmospheric states. To assess uncertainty in NWP forecasts so-called forecast ensembles are utilized. They are generated by employing a NWP model for distinct variants. However, as forecast ensembles are not able to capture the full amount of uncertainty in an NWP model, they often exhibit biases and dispersion errors. Therefore it has become common practise to employ statistical post processing models which correct for biases and improve calibration. We propose a novel post processing approach based on D-vine copulas, representing the predictive distribution by its quantiles. These models allow for much more general dependence structures than the state-of-the-art EMOS model and is highly data adapted. Our D-vine quantile regression approach shows excellent predictive performance in comparative studies of temperature forecasts over Europe with different forecast horizons based on the 52-member ensemble of the European Centre for Medium-Range Weather Forecasting (ECMWF). Specifically for larger forecast horizons the method clearly improves over the benchmark EMOS model.

研究动机与目标

• 解决传统集合模型输出统计（EMOS）在捕捉观测值与集合预报之间非高斯和非线性依赖关系方面的局限性。
• 提升预报校准度与可靠性，特别是针对EMOS模型常表现出欠分散的延长预报时效。
• 开发一种灵活且数据自适应的统计后处理框架，无需假设高斯边缘分布或依赖结构。
• 引入一种新型滚动训练周期，整合固定窗口内多个年度的数据，以更好地捕捉季节性效应并提升模型鲁棒性。

提出的方法

• 采用D-vine copula对观测温度与集合预报之间的联合依赖结构进行建模，实现灵活且非高斯的依赖关系建模。
• 使用D-vine分位数回归方法（Kraus和Czado，2017），结合前向预测变量选择，识别相关的集合成员与预测变量。
• 通过成对-copula构造的分位数回归估计预测分布，允许边缘分布呈现非对称性和重尾特性。
• 实施一种新型滚动训练周期，将固定窗口内多个年度的数据聚合，以增强模型稳定性与季节适应性。
• 利用R包vinereg高效实现D-vine分位数回归模型。
• 通过合适的评分规则和PIT直方图，将性能与标准EMOS（逐站）及改进型EMOS（采用扩展训练周期）进行对比。

实验结果

研究问题

• RQ1 基于D-vine copula的后处理模型是否能相比标准EMOS模型显著改善预报校准，尤其是在较长预报时效下？
• RQ2 D-vine方法在捕捉观测温度与集合预报之间复杂且非高斯的依赖结构方面表现如何？
• RQ3 所提出的滚动训练周期与固定或标准训练窗口相比，能在多大程度上提升模型性能？
• RQ4 D-vine模型是否能有效缓解EMOS预报中常见的欠分散与过分散问题？
• RQ5 D-vine方法是否能有效应用于温度等非高斯气象变量，而无需施加分布假设？

主要发现

• D-vine模型显著提升了校准效果，PIT直方图在所有预报时效下最接近均匀分布，尤其在120和240小时预报时效下表现突出。
• 在24和48小时预报中，D-vine模型仅表现出微弱的过分散迹象，而EMOS-S显示明显的欠分散，EMOS-R则表现出显著的过分散。
• 在连续概率评分（CRPS）和对数评分（LS）方面，D-vine模型均优于EMOS-S与EMOS-R，且在较长预报时效下性能提升最为显著。
• 在35个站点中的70%站点，D-vine模型在所有预报时效下均位列预测性能第一或第二，展现出稳健且一致的优越性。
• 新型滚动训练周期显著提升了模型性能，尤其在与D-vine方法结合时，能更好地捕捉季节性变化。
• D-vine方法具有高度灵活性，无需对边缘分布施加参数化假设，因此适用于风速、降水等非高斯变量。