空间预报后处理：Max-and-Smooth 方法
统计方法学
2022-09-02 v1 应用统计
摘要
数值天气预报由于简化的模型假设和计算近似可能表现出系统性误差。统计后处理是纠正此类偏差的统计方法。统计后处理模型取数值预报模型的输入数据，输出真实世界观测的参数化预测分布，其模型参数由过去的预报-观测对学习得到。本文中我们发展并讨论了网格数据的后处理方法。我们表明，空间网格上后处理参数的估计可通过带空间先验的贝叶斯层次模型得以改进。我们使用 Hrafnkelsson 等人 [2021] 的“Max-and-Smooth”方法分两步近似完全贝叶斯推断。首先我们计算各网格点上后处理参数的最大似然估计（MLEs）。其次我们使用带空间先验的度量误差模型平滑这些 MLEs。我们的方法为 Kharin 等人 [2017] 的参数平滑方法提供了理论基础，并简化和推广了 Moeller 等人 [2015] 的贝叶斯层次建模方法。给出了 Max-and-Smooth 的新推导。该方法适用于任意后处理模型，如应用于模型输出统计、逻辑回归和非齐次高斯回归所示。我们报告了在温度和降水预报后处理中预报精度、校准和概率技巧的一致改进。
引用
@article{arxiv.2209.00477,
title = {Spatial forecast postprocessing: The Max-and-Smooth approach},
author = {Stefan Siegert and Ben Hooper and Joshua Lovegrove and Tyler Thomson and Birgir Hrafnkelsson},
journal= {arXiv preprint arXiv:2209.00477},
year = {2022}
}