Use of the likelihood for measuring the skill of probabilistic forecasts
我们定义的可能性,并给出了一些理由,它的使用作为概率预测的技能措施。我们描述了一些不同的分数的基础上的可能性,并简要地调查之间的关系的可能性,均方误差和无知。
2004-01-08 physics.ao-ph
Comparing the ensemble mean and the ensemble standard deviation as inputs for probabilistic medium-range temperature forecasts
我们提出以下问题:集合平均值和集合标准差对特定地点概率温度预报技能的相对贡献是什么?使用集合预报来预测温度的大部分益处是来自集合平均值还是来自集合扩散,还是两者的益处相等?答案是,两者中的一个比另一个更有用。
2003-10-13 physics.ao-ph
Deep learning for post-processing global probabilistic forecasts on sub-seasonal time scales
提出基于卷积神经网络的后处理方法,直接作用于空间输入场以纠正数值天气预报的系统误差,生成次季节全球概率三分位预报,在WMO挑战中优于ECMWF重校准预报并超越气候预报,且校准良好。
2023-06-28 physics.ao-ph
Leveraging deterministic weather forecasts for in-situ probabilistic temperature predictions via deep learning
提出一种神经网络方法,通过为多预报时效训练单一模型,从确定性数值天气预报生成概率预报,将CRPS降低15%并改善分布校准,无需模拟多轨迹即可为任意网格预报增加不确定性信息。
2024-06-04 physics.ao-ph
Diffusion-based Probabilistic Air Quality Forecasting with Mechanistic Insight
Eastern Institute of Technology(东方理工学院);The Hong Kong Polytechnic University(香港理工大学);Southern University of Science and Technology(南方科技大学)
本文提出AirFusion框架,结合化学传输模型与观测数据,实现高效准确的区域空气质量预测,同时提供天气不确定性对预测的影响诊断。
2026-03-22 physics.ao-ph
Probabilistic forecasts of temperature: measuring the utility of the ensemble spread
集合天气预报的传播包含关于未来可能的天气情景的传播的信息。但是它包含了多少信息,这些信息在预测未来温度的可能性方面有多大用处?对这个问题的一个传统答案是计算传播-技能相关性。我们讨论了传播技能相关性以及它如何与一些简单的校准方案相互作用。然后,我们指出为什么它不是,事实上,一个有用的措施,在合奏传播的信息量,并讨论了一些其他措施,更有用的。
2004-10-06 physics.ao-ph
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University(林雪平大学);SMHI(瑞典气象和水文研究所)
本文提出Diffusion-LAM,一种以边界数据为条件的概率有限区域天气模型,并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
Radar Maxima: calibrated area-based probabilistic forecasts for heavy precipitation
Deutscher Wetterdienst(德国气象局)
提出校准区域化概率预报产品Radar Maxima,通过聚合40公里邻域内雷达降水数据升尺度DWD的ICON-D2-EPS预报,克服点预报局限,提升强降水预报的可靠性、锐度及业务价值。
2025-09-17 physics.ao-ph physics.data-an
Improving seasonal forecast using probabilistic deep learning
实现季节预报潜力及其社会经济效益的途径在很大程度上取决于改进基于大气环流模式的动力预报系统。为了改进动力季节预报,关键是建立预报基准,并澄清由模式初始化误差、公式缺陷和内部气候变率造成的预报限制。由于生成大型预报集合的成本巨大,而用于预报验证的观测有限,因此季节性预报基准测试和诊断任务具有挑战性。在这项研究中,我们开发了一个概率深度神经网络模型,利用大量现有的气候模拟来增强季节预测能力和预测诊断。通过利用气候模拟中编码的复杂物理关系,我们的概率预报模型在准全球降水和近地面温度季节性预报中,与最先进的动力预报系统相比,表现出良好的确定性和概率技能。我们应用这种概率预测方法来量化的初始化错误和模型制定的动态季节性预测系统的缺陷的影响。我们引入显着性分析方法,有效地确定影响季节变化的关键预测因子。此外,明确建模的不确定性,变分贝叶斯,我们给出了一个更明确的答案如何厄尔尼诺/南方涛动,季节性变化的主导模式,调制全球季节性可预测性。
2020-10-27 physics.ao-ph physics.geo-ph stat.ML
WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models
Technical University of Munich(慕尼黑工业大学);ClimateAi, Inc(ClimateAi公司)
WeatherBench是一个基准数据集,用于对位势、温度和降水进行中期天气预报,包括预处理数据、预定义的评估指标和一些基线模型。WeatherBench Probability通过添加一组已建立的概率验证指标(连续排名概率得分,扩展技能比和排名直方图)和使用ECWMF IFS集合预报的最先进的操作基线,将其扩展到概率预报。此外,我们还测试了三种不同的概率机器学习方法--蒙特卡洛退出、参数预测和分类预测,其中概率分布是离散化的。我们发现,简单的蒙特卡罗退出严重低估了不确定性。参数模型和分类模型都能产生质量相似的相当可靠的预测。参数模型的自由度更少,而分类模型在预测非高斯分布时更灵活。没有一个模型能够与业务IFS模型的技能相匹配。我们希望这个基准将使其他研究人员能够评估他们的概率方法。
2022-05-02 cs.LG physics.ao-ph
Why do some probabilistic forecasts lack reliability?
在这项工作中,我们调查的概率二元预测的可靠性。我们在数学上证明了一个必要的,但不是充分的,实现一个可靠的概率预测的条件是最大限度地提高皮尔士技能得分(PSS)在阈值概率的气候基础率。通过人工合成的预测结果对数据和以前发表的概率太阳耀斑预测模型的条件得到证实。该条件部分地回答了某些概率预报系统不可靠的问题,因为不满足证明条件的系统是不可靠的。因此,证明条件对于概率预报系统的开发者来说是非常重要的。这一结果意味着,那些想要开发一个可靠的概率预报系统,必须调整或训练系统,以最大化PSS附近的阈值概率的气候基础率。
2019-04-18 astro-ph.EP astro-ph.SR physics.ao-ph
A Deep Learning Approach to Probabilistic Forecasting of Weather
Argonne National Laboratory(阿贡国家实验室)
我们讨论了一种基于两个链式机器学习步骤的概率预测方法:降维步骤,以保留预测量信息的方式将预测信息的降维映射学习到低维空间;以及密度估计步骤,使用概率机器学习规范化流技术来计算减少的预测因子和预测量的联合概率密度。然后将该联合密度重新归一化以产生条件预测分布。在该方法中,概率校准测试扮演着正则化过程的角色,防止在第二步中过度拟合,而从第一步开始的有效降维是预测清晰度的来源。我们使用一个22年的1小时的节奏时间序列的天气研究和预报(WRF)模拟数据的地面风网格上的方法进行验证。
2022-03-24 cs.LG physics.ao-ph stat.ML
Skillful joint probabilistic weather forecasting from marginals
Google DeepMind(谷歌DeepMind)
针对传统数值天气预报精度速度不足的问题,提出FGN建模方法,通过约束模型集合的学习扰动生成预报、直接优化CRPS训练,在多指标下达到SOTA,还能捕捉空间联合结构。
2025-06-12 cs.LG physics.ao-ph
On the visualisation, verification and recalibration of ternary probabilistic forecasts
我们开发了一个几何解释的三元概率预测,预测和观测被视为一个三角形内的点。在三角形中,我们定义了一个连续的调色板,其中色调和色彩饱和度是根据观测到的气候来定义的。与目前的方法相比,用这种配色方案创建的预报图传达了每个三元预报中存在的所有信息。几何解释,然后扩展到验证下的二次评分规则(其中的Brier分数和排名概率分数是众所周知的例子)。每个评分规则定义了一个相关的三角形,其中得分的平方根,可靠性,不确定性和分辨率都有自然的解释为均方根距离。这导致我们的建议,三元可靠性图,其中有关的数据可以总结验证和校准。我们说明这些想法与数据有关的季节性预测在南美洲的降水,包括一个例子的非线性预测校准。实现这些想法的代码已经使用统计软件包R产生,并可从作者那里获得。
2011-08-12 physics.ao-ph stat.AP
Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction
University of Chicago(芝加哥大学)
针对AI概率天气预报校准不足(尤其是极端事件),提出使用保形预测方法,无需分布假设即可数学保证覆盖,应用于三个全球模型(GenCast、NeuralGCM、AIFS-ENS)的温度和降水预报,实现校准不确定性而不牺牲其他概率指标。
2026-06-19 physics.ao-ph stat.AP stat.ML
SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
University of Amsterdam(阿姆斯特丹大学);Linköping University(林雪平大学)
针对现有机器学习天气预报模型在短时间步长下误差累积和缺乏时间连续性的问题,提出基于神经随机微分方程的SDECast框架,实现连续时间概率预报,并在模拟流和全球小时级预报中验证了其有效性。
2026-10-05 cs.LG physics.ao-ph stat.ML