通过加权评分规则训练统计后处理模型以改进极端风速概率预测
机器学习
2025-08-12 v4 应用统计
摘要
对极端风速的准确预测在许多应用中具有高度重要性。这些预测通常由数值天气预报(NWP)模型的集合产生，但存在偏差和离散误差，因此需要应用统计后处理技术。本文旨在改进用于极端风速概率预测的统计后处理模型。我们通过调整用于拟合集合模型输出统计(EMOS)模型的训练程序——一种常用的后处理技术——来实现此目标，并提出使用阈值加权持续累计概率得分(twCRPS)进行参数估计，这是一种对阈值以上预测具有特殊关注的proper scoring rule。我们表明，使用twCRPS进行训练可提高多种阈值下后处理模型对极端事件的预测性能。我们发现分布体尾之间存在权衡，即对极端事件概率预测性能的提升会以牺牲分布体预测性能为代价。然而，我们引入了基于加权训练和线性池化的策略来缓解这一权衡。最后，我们考虑一些合成实验以解释twCRPS的训练影响，并为多种分布给出twCRPS的闭式表达式，这是文献中首次出现的此类集合。这些结果将使研究人员和实践者能够提高极端事件及其他感兴趣事件的概率预测模型性能。
引用
@article{arxiv.2407.15900,
title = {Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules},
author = {Jakob Benjamin Wessel and Christopher A. T. Ferro and Gavin R. Evans and Frank Kwasniok},
journal= {arXiv preprint arXiv:2407.15900},
year = {2025}
}