利用高斯过程与神经网络对亚千米尺度表面风的高效建模

准确表示亚千米尺度的表面天气对于在广泛应用中做出最优决策至关重要。这促使了统计技术的使用，以比数值模拟更低的成本提供准确且校准的概率预测。由于风具有很高的空间和时间变异性，因此它是一个特别具有挑战性的建模变量。本文提出了一种集成高斯过程和神经网络的新方法，以亚千米分辨率对表面阵风进行建模，该方法利用了包括数值天气预报模型、地形描述符和现场测量在内的多种数据源。结果表明，对感兴趣变量的多元协方差结构进行建模具有附加价值，而不仅仅是应用单变量概率回归方法。对协方差进行建模能够最优地整合来自地面站的观测测量，与基线相比，这被证明可以降低连续分级概率分数。此外，在随机傅里叶特征和路径条件等可扩展技术的辅助下，它允许生成同样经过边缘校准的合理场。我们讨论了不同建模选择以及不同近似程度的影响，并给出了案例研究的结果。