Bedre kalibrerte prognoser med ensembleteknikker

Transkript

1 Bedre kalibrerte prognoser med ensembleteknikker John Bjørnar Bremnes Kraftrelatert hydrologi, meteorologi og klima, Trondheim,

2 Oversikt 1. Bedre oppløsning i LAMEPS (2006) 2. Kalibrering ved hjelp av statistiske metoder (2006) 3. Hvordan kombinere prognoser fra flere værmodeller til ett kalibrert produkt (2007) 4. Nytten av lange rekjøringer av numeriske værmodeller (2007)

3 5. Statistisk kalibrering av multi-ensembler (2008) 6. Statistisk kalibrering av månedsvarsler (2008) 7. Statistisk kalibrering på steder uten observasjoner (2009?)

4 Del 2 Kalibrering ved hjelp av statistiske metoder

5 Statistiske metoder A. Metoder anvendt på ensemblemedlemmer (separat) 50 medlemmer => 50 nye medlemmer Ingen teoretiske grunner til kalibrert ensemble Metoder Lokal kvantil-til-kvantil transformasjon (LQQT) Regresjon etterfulgt av LQQT Skalering B. Kalibrering av hele ensemblet Statistiske modeller godt teoretisk fundament Metode Bayesian Processor of Forecast (BPF)

6 A. Metoder anvendt på ensemblemedlemmmer 1. Kvantil-til-kvantil transformasjon (LQQT) Idè Nye ensemblemedlemmer skal ha samme fordeling/klima som observasjonene Estimering Sortèr observasjoner og modelldata (separat) Estimèr sammenheng vha. lokal lineær regresjon

7 2. Kvantil-til-kvantil transformasjon med flere variable (REG+LQQT) Bakgrunn Idè LQQT kan bare brukes med en prediktor Andre prediktorer kan gi ekstra informasjon Reduser antall variable til 1 vha. regresjon Metode Multippel lineær regresjon ny predikert nedbør Anvend LQQT på de nye prediksjonene av nedbør

8 3. Skalering Sum observert nedbør / sum modellnedbør Værtype-avhengig skalering bedre For en gitt værsituasjon: Summèr bare over lignende historiske tilfeller Med vekting avhengig av graden av likhet Skalering anvendt på hvert medlem nytt ensemble

9

10 B. Kalibrering av hele ensembler Bayesian Processor of Forecast (BPF) Alle variable transformeres til standard normal fordeling (ala LQQT) Bayes regel anvendes: X Y og Y Y X X Y multivariabel lineær regresjon Y er standard normal fordelt Parametre estimeres for transformerte data Sannsynlighetsfordeling presenteres på ordinær skala (mm)

11 CRPS er relativ til ECMWF EPS (100%) Lav CRPS best (0 optimal)

12 Konklusjoner (del 2) Statistiske metoder er bedre enn rå EPS Store lokale variasjoner Forbedring avtar med prognoselengde Inntil 50% bedre for døgn +1 Inntil 20% bedre for døgn +9 Metoder anvendt på hvert medlem Gir god score, men ikke nødvendigvis kalibrerte prognoser BPF best Gir godt kalibrerte prognoser

13 Del 3 Hvordan kombinere prognoser fra flere værmodeller til ett kalibrert produkt

14 Utgangspunkt og idè Flere værmodeller og prognoser tilgjengelig To vinklinger 1. Hvordan kombinere all info til en prognose? α 1 EC* + α 2 EPS* + α 3 LAMEPS* EC* = statistisk modell med EC som input Vektene α avhengig av værsituasjon 2. Hvordan velge den beste? For hver dag/værsituasjon

15 BPF med lineær regresjon 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn score for hvert tilfelle (dag) Anvend lineær regresjon Score vs. alle prediktorer 2. To mulige prognoser Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α-ene er predikert score (normalisert) BPF-modell med best score

16 BPF med probabilistisk nevrale nettverk 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn score for hvert tilfelle (dag) 2. Tilpass nevralt nettverk Beste BPF-modell vs. alle prediktorer 3. To mulige prognoser Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α i er sannsynlighet for at BPF-modell nr. i er best BPF-modell med høyest sannsynlighet

17 BPF med optimering av kvantil-score 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn et sett av kvantiler for hvert tilfelle (dag) 2. Tilpass lineære kvantil regresjonsmodeller Observasjon vs. predikerte kvantiler fra BPF-modellene 3. Kombinert prognose Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α-ene er normaliserte koeffisienter fra regresjonsmodellene

18 Eksperiment Data 9 stasjoner Modeller: EC (1), EPS (51), LAMEPS (21) Prognoser: 00+30,+54t Bare nedbør brukt som prediktorer Konklusjoner (del 3) BPF med 1 modell nesten like god som med alle 3 Kombinere litt bedre enn å velge beste BPF De statistiske metodene omtrent like gode EC like informativ som ensembler

19 Rapporter met.no report 04/2007 Improved calibration of precipitation forecasts using ensemble techniques. Part 2: Statistical calibration methods met.no note 02/2008 Improved calibration of precipitation forecasts using ensemble techniques. Part 3: Statistical calibration of multiple ensembles met.no note 03/2008 Improved calibration of precipitation forecasts using ensemble techniques. Part 4: On the use of reforecasts in statistical calibration