Leírás
Napjainkban a meteorológiai szolgálatok jelentős része dolgozik ensemble előrejelzésekkel, amiket úgy állítanak elő, hogy a numerikus időjárás előrejelző modelleket különböző kezdeti feltételekkel, és/vagy különböző paraméterezésekkel futtatják. Az így kapott előrejelzés család szóródása azonban többnyire túl kicsi és az előrejelzések nem megfelelően kalibráltak, mely hibát a statisztikai utófeldolgozás hivatott korrigálni.
Egyszerűsége és hatékonysága miatt az egyik legnépszerűbb paraméteres utófeldolgozó módszer a nemhomogén regresszió, vagy ensemble model output statistics (EMOS), ami a vizsgált időjárási mennyisége előrejelző eloszlását adja meg. Előadásomban egy a szélsebesség ensemble előrejelzések utófeldolgozására szolgáló, nullában alulról csonkított GEV (TGEV) eloszláson alapuló EMOS modellt szeretnék bemutatni [1]. Ez a csonkítás kijavítja a már ismert GEV EMOS modell [2] azon hátrányát, hogy pozitív valószínűséggel jelezhet elő negatív szélsebességet, miközben megőrzi annak jó tulajdonságait. Az új modell előrejelző képességét több esettanulmányban is teszteljük összehasonlítva azt a csonkított normális [3], log-normális [4] és GEV EMOS eljárásokkal, valamint a nyers és klimatológiai előrejelzésekkel.
Irodalom
- Baran, S., Szokol, P. and Szabó, M. (2021) Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts. Environmetrics 32, paper e2678.
- Lerch, S., Thorarinsdottir, T. L. (2013) Comparison of non-homogeneous regression models for probabilistic wind speed forecasting. Tellus A 65, paper 21206.
- Thorarinsdottir, T. L. and Gneiting, T. (2010) Probabilistic forecasts of wind speed: ensemble model output statistics by using heteroscedastic censored regression. J. Roy. Statist. Soc. Ser. A 173, 371-388.
- Baran, S. and Lerch, S. (2015) Log-normal distribution based EMOS models for probabilistic wind speed forecasting. Q. J. R. Meteorol. Soc. 141, 2289-2299.
A kutatásokat a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal NN125679 azonosítójú pályázata támogatta.
Társszerzők: Szabó Marianna és Szokol Patrícia (DE IK).