Generative machine learning methods for multivariate ensemble postprocessing

Jieyu Chen; Tim Janke; Florian Steinke; Sebastian Lerch

doi:10.1214/23-AOAS1784

2024年3月多元集成后处理的生成机器学习方法

陈洁瑜,蒂姆·扬克,弗洛里安·斯坦克,塞巴斯蒂安·勒奇

作者关联+

附录申请。斯达。 18(1): 159-183 （2024年3月）。 DOI:10.1214/23-AOAS1784

摘要

基于多轮数值天气预报模型的集合天气预报通常会显示系统误差，需要进行后处理才能获得可靠的预报。准确地建模多元相关性在许多实际应用中至关重要，已经提出了多种多元后处理方法，其中集合预测首先在每个边缘分别进行后处理，然后通过连接函数恢复多元相关性。这些两步方法都有共同的关键限制，特别是在建模依赖关系时难以包括其他预测因素。我们提出了一种新的基于生成机器学习的多元后处理方法来解决这些挑战。在这类新的非参数数据驱动的分布回归模型中，直接从多元预测分布中获取样本作为生成神经网络的输出。通过优化适当的评分规则来训练生成模型，该评分规则用于衡量生成数据和观测数据之间的差异，取决于外部输入变量。我们的方法不需要对单变量分布或多元相关性进行参数假设，并允许合并任意预测因子。在两个关于德国各地气象站多变量温度和风速预测的案例研究中，我们的生成模型显示出比最先进的方法有了显著的改进，特别是改进了空间相关性的表示。