Probabilistic wind speed forecasting in Hungary
各种天气量的预测大多是基于确定性数值天气预报模式。这些模型在不同的初始条件下多次运行，产生了用于估计未来天气量分布的预测集合。然而，合奏通常是欠分散和未校准的，因此需要后处理。在目前的工作中，贝叶斯模型平均（BMA）适用于校准合奏的风速预测的业务有限区域模型包围预测系统的匈牙利气象服务（HMS）。我们描述了两种可能的BMA模型的HMS的风速数据，并表明，BMA后处理显着提高了校准和精度的预测。
2013-01-07 stat.AP
Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting
在天气预报中，非齐次回归用于统计后处理预报集合，以获得校准的预测分布。对于风速预测，回归模型由截断的正态分布给出，其中位置和扩散来自集合。本文提出了两种替代方法，利用广义极值（GEV）分布。截断正态回归的一个直接替代方法是应用来自GEV家族的预测分布，而基于预测集合中值的状态切换方法结合了这两种分布。在德国每日最大风速与欧洲中期天气预报中心的预报集合的案例研究中，所有三种方法都提供了校准和尖锐的预测分布与政权切换的方法显示出最高的技能在上尾。
2013-05-09 stat.AP
Calibration of wind speed ensemble forecasts for power generation
在过去的几十年中，风力发电成为欧盟第二大能源，占其电力需求的16%。然而，由于其波动性，需要准确的短期风能预测，以成功地将风能整合到电网中。准确的风力预测需要准确的轮毂高度风速预报，其中最先进的方法是基于从多次运行的数值天气预报模型获得的集合预报的概率方法。然而，集合预报往往未经校准，也可能有偏差，因此需要某种形式的后处理，以提高其预测性能。我们提出了一种新的灵活的机器学习方法来校准风速集合预报，这会导致截断的正态预测分布。在一个案例研究的基础上，100米风速预报的业务集合预报系统的匈牙利气象服务，这种方法的预报技巧进行了比较，三种不同的集合模型输出统计方法和原始集合预报的预测性能。我们发现，与原始集合相比，后处理总是提高点预测的概率和准确性的校准，并且从四种竞争方法中，新的基于机器学习的方法具有最佳的整体性能。
2021-08-19 stat.AP stat.ML
Statistical post-processing of operational dual-resolution wind-speed ensemble forecasts
Faculty of Informatics, University of Debrecen（德布勒森大学信息学院）
本研究采用集合模型输出统计方法，比较分析了欧洲中期天气预报中心9km和36km水平分辨率及其混合的原始和后处理风速集合预报的预报技巧，发现后处理显著提升概率校准和点预报精度，且空间分辨率优于集合大小，但将高分辨率成员加入低分辨率集合可带来最大增益。
2025-06-18 stat.AP
Bivariate Gaussian models for wind vectors in a distributional regression framework
提出了一种新的基于双变量高斯分布的风矢量概率后处理方法。与以往的研究相比，所有的分布参数，同时建模，即两个风分量的均值和方差，以及它们之间的相关系数采用灵活的回归样条。为了捕捉预测和观测到的风向之间可能存在的不匹配，使用灵活的二维平滑函数对两个风分量进行了集合预报。这包括根据季节和预报的总体风向进行风向的平滑旋转。新方法的性能测试站位于平原，山区，并在高山峡谷采用ECMWF集合预报作为解释变量的所有分布参数。与单独后处理每个风分量的基线模型相比，允许旋转的模型在所有站点的预测技能方面显示出明显的改进。此外，不同的相关性规范进行了测试和小的改进相比，没有估计的相关性的模型设置可以发现位于高山峡谷站。
2019-04-02 stat.AP
Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts
近年来，集合天气预报已成为所有主要天气预报中心的例行工作。这些预报是从不同初始条件或模式参数化的数值天气预报模式的多次运行中获得的。然而，集合预报往往分散性不足，也有偏差，因此需要某种后处理来解决这些缺陷。最流行的统计后处理技术之一是集合模型输出统计（EMOS），它提供了一个完整的预测分布的研究天气量。本文提出了一种新的EMOS风速集合预报模型，其预报分布为广义极值分布（GEV）。截断修正了基于GEV分布的EMOS模型偶尔预测负风速值的缺点，而不影响其良好的性能。新模式进行了测试，由三个不同的集合预报系统提供的风速集合预报的四个数据集，覆盖不同的地理区域和时间段。将TGEV EMOS模式的预报技巧与截断正态、对数正态和GEV方法的预报性能以及原始预报和气候预报进行了比较。结果验证了新的TGEV EMOS方法的优点。
2021-03-12 stat.AP stat.ME
Online stochastic generators using Slepian bases for regional bivariate wind speed ensembles from ERA5
针对 ERA5 二元风速集合的存储与生成挑战，本文提出一种基于 Slepian 基的在线随机生成器（OSG），通过在线更新和降维技术实现近实时模拟，在大幅降低存储需求的同时保持与全数据集训练模型相当的统计性能。
2024-10-11 stat.AP
Statistical post-processing of ensemble forecasts of temperature in Santiago de Chile
目前，所有主要的气象中心都使用其业务集合预报系统生成集合预报;然而，一个普遍的问题是，集合的传播范围太小，导致预报分散不足，导致缺乏校准。为了纠正这个问题，在过去的二十年中，已经开发了不同的统计校准技术。在目前的工作中，不同的后处理技术进行了测试，校准9成员集合预报的温度智利圣地亚哥，天气研究和预报（WRF）模式，使用不同的行星边界层和陆面模式参数化。特别是，集合模型输出统计（EMOS）和贝叶斯模型平均技术的实施，由于观测的特点是大的高度差，模型参数的估计是适应手头的实际条件。与原始集合相比，所有测试的后处理方法显着提高了概率的校准和点预报的准确性。EMOS方法使用基于台站专家聚类（根据它们的高度）的参数估计，显示出最好的预报技巧。
2018-09-11 stat.AP
Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）
对集合天气预报进行后处理以纠正系统误差已成为研究和业务中的标准做法。然而，只有少数最近的研究集中在合奏后处理的阵风预报，尽管它的严重天气警报的重要性。在这里，我们通过集合后处理对八种统计和机器学习方法进行了全面的回顾和系统的比较，这些方法可以分为三组：统计学中最先进的后处理技术（集合模型输出统计（EMOS）、逐成员后处理、保序分布回归），建立了机器学习方法（梯度增强扩展EMOS、分位数回归森林）和基于神经网络的方法（分布回归网络、Bernstein分位数网络、直方图估计网络）。这些方法进行了系统的比较，使用6年的数据，从高分辨率，对流允许集合预报系统，运行在德国气象服务，每小时观测175个地面气象站在德国。虽然所有的后处理方法产生校准的预测，并能够纠正原始集合预测的系统性误差，将信息从额外的气象预测变量以外的阵风导致显着改善预测技能。特别是，我们提出了一个灵活的框架，本地自适应神经网络与不同的概率预测类型作为输出，这不仅显着优于所有的基准后处理方法，但也学习物理上一致的关系与昼夜周期，特别是傍晚过渡的行星边界层。
2021-06-17 cs.LG physics.ao-ph stat.AP
Sequential Aggregation of Probabilistic Forecasts -- Applicaton to Wind Speed Ensemble Forecasts
在数值天气预报（NWP）领域中，大气未来状态的概率分布是用类似蒙特卡罗的模拟进行采样的，称为集合。这些集合有缺陷（如条件偏差），可以通过统计后处理方法进行纠正。存在几个集合，可以用不同的统计方法进行校正。进一步的步骤是组合这些原始或后处理的集合。专家建议的预测理论使我们能够构建具有预测性能理论保证的组合算法。本文将这一理论应用于以逐步累积分布函数（CDF）形式发布的概率预测。该理论应用于风速预测，通过结合几个原始或后处理的合奏，被认为是CDF。本研究的第二个目标是探索两个预测性能标准的使用：连续排名概率得分（CRPS）和Jolliffe-Primo检验。比较这两个标准得到的结果导致重新考虑通常的方式来建立熟练的概率预测，最小化的CRPS的基础上。根据Jolliffe-Primo检验，最小化CRPS并不一定会产生可靠的预测。Jolliffe-Primo检验通常选择可靠的预测，但可能导致发布CRPS方面的次优预测。建议使用这两个标准，以实现可靠和熟练的概率预测。
2020-05-07 stat.AP stat.ME stat.ML
Statistical post-processing of dual-resolution ensemble forecasts
集合预报的计算成本和概率技巧取决于数值天气预报模式的空间分辨率和集合规模。周期性地，例如，当更多的计算资源变得可用时，重新评估分辨率和系综大小之间的平衡是适当的。最近，有人建议在双分辨率集合的背景下研究这种平衡，双分辨率集合使用具有两种不同分辨率的成员进行概率预测。本研究调查是否统计后处理这样的双分辨率集合预报改变最佳双分辨率配置的结论。中期双分辨率集合预报2米的温度已被校准使用集合模式输出统计。这些预报是由ECMWF的综合预报系统制作的，水平分辨率在18公里到45公里之间。乐团规模从8人到254人不等。用SYNOP站资料对预报结果进行了验证。结果表明，各种单和双分辨率配置之间的分数差异大大减少统计后处理。因此，某些双分辨率配置相对于单分辨率配置的优势似乎不如原始预报明显。此外，系综配置的排名可以受到统计后处理的影响。
2018-11-14 stat.AP stat.CO
Combining predictive distributions for statistical post-processing of ensemble forecasts
统计后处理技术现在被广泛用于校正从多个数值天气预报模式获得的集合预报校准中的系统偏差和误差。一个标准的方法是集合模型输出统计（EMOS）方法，一种分布回归方法，其中预测分布由单个参数定律给出，参数取决于集合成员。为感兴趣的天气变量选择一个合适的参数族是一个关键的，然而，往往是不平凡的任务，并一直是最近的研究重点。在这篇文章中，我们评估的优点相结合的预测分布，从多个EMOS模型的基础上不同的参数家庭。通过对两个集合预报系统的风速和降水预报的四个案例研究，我们研究了最先进的预报组合方法是否能够提高预报技巧。
2017-07-13 stat.AP stat.ME
Sequential Methods for Error Correction of Probabilistic Wind Power Forecasts
针对风电概率预测误差校正问题，提出结合神经网络与时间自适应分位数回归的NABQR方法，采用LSTM架构，在丹麦风电日前预测中精度最高提升40%，还可用于能源交易，并已开源为Python包。
2025-02-24 stat.AP stat.ME
Forest-based methods and ensemble model output statistics for rainfall ensemble forecasting
降雨集合预报必须对低降水和极端事件都有技巧。我们提出了基于分位数回归森林（QRF）和梯度森林（GF）的统计后处理方法，并对重尾分布进行了参数扩展。我们的目标是提高集合质量的所有类型的降水事件，包括重尾，受到良好的整体性能。我们的混合提出的方法被施加到每天51小时的预测6小时累积降水量从2012年至2015年在法国使用M{é}t{é}o-France集合预报系统称为PEARP。它们提供校准的预测分布，并与最先进的方法（如模拟方法或Encoding模型输出统计）竞争。特别是，混合森林为基础的程序似乎带来了附加值的预测暴雨。
2017-11-29 math.ST stat.AP stat.ML
Fixed-time descriptive statistics underestimate extremes of epidemic curve ensembles
在世界各地，学者们都在竞相预测新型冠状病毒COVID-19的传播。这种预测通常是通过用大量相关参数的合理组合来数值模拟流行病来实现的。从模拟曲线的结果集合中得出的任何流行病轨迹预测都必须具有置信区间，以传达与预测相关的不确定性。在这里，我们认为，国家的最先进的方法总结合奏统计没有捕捉关键的流行病学信息。特别地，当前方法系统地抑制关于投影轨迹峰值的信息。最根本的问题是，在统计分析中，每个时间步都是单独处理的。我们建议使用基于曲线的描述性统计来总结轨迹集合。研究结果使研究人员能够报告更具代表性的置信区间，从而对流行病轨迹进行更现实的预测，从而在面对当前和未来的流行病时能够做出更好的决策。
2020-07-09 physics.soc-ph q-bio.PE stat.AP
