Postprocessing of Ensemble Weather Forecasts Using Permutation-invariant Neural Networks

要約

統計的後処理は、生の数値天気予報のアンサンブルを信頼できる確率的予測分布に変換するために使用されます。
この研究では、このタスクに対する順列不変ニューラル ネットワークの使用を検討します。
アンサンブルの概要統計を操作し、アンサンブル分布の詳細を無視することが多かった以前のアプローチとは対照的に、予測アンサンブルを順序付けされていないメンバー予測のセットとして扱い、メンバーの順序付けの順列に対して設計上不変であるリンク関数を学習するネットワークを提案します。
。
取得した予測分布の品質をキャリブレーションと鮮明さの観点から評価し、モデルを従来のベンチマーク手法およびニューラル ネットワーク ベースのベンチマーク手法と比較します。
表面温度と突風予測の後処理に取り組むケーススタディでは、最先端の予測品質を実証します。
学習された推論プロセスの理解を深めるために、アンサンブル値の予測変数に対する順列ベースの重要度分析をさらに提案します。これは、訓練された後処理モデルによって重要であると考えられるアンサンブル予測の特定の側面を強調します。
私たちの結果は、関連情報のほとんどがアンサンブル内部のわずかな自由度に含まれており、将来のアンサンブル予測および後処理システムの設計に影響を与える可能性があることを示唆しています。

要約(オリジナル)

Statistical postprocessing is used to translate ensembles of raw numerical weather forecasts into reliable probabilistic forecast distributions. In this study, we examine the use of permutation-invariant neural networks for this task. In contrast to previous approaches, which often operate on ensemble summary statistics and dismiss details of the ensemble distribution, we propose networks which treat forecast ensembles as a set of unordered member forecasts and learn link functions that are by design invariant to permutations of the member ordering. We evaluate the quality of the obtained forecast distributions in terms of calibration and sharpness, and compare the models against classical and neural network-based benchmark methods. In case studies addressing the postprocessing of surface temperature and wind gust forecasts, we demonstrate state-of-the-art prediction quality. To deepen the understanding of the learned inference process, we further propose a permutation-based importance analysis for ensemble-valued predictors, which highlights specific aspects of the ensemble forecast that are considered important by the trained postprocessing models. Our results suggest that most of the relevant information is contained in few ensemble-internal degrees of freedom, which may impact the design of future ensemble forecasting and postprocessing systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google