Postprocessing of Ensemble Weather Forecasts Using a Stochastic Weather Generator
Notice bibliographique
Résumé
Abstract This study proposes a new statistical method for postprocessing ensemble weather forecasts using a stochastic weather generator. Key parameters of the weather generator were linked to the ensemble forecast means for both precipitation and temperature, allowing the generation of an infinite number of daily times series that are fully coherent with the ensemble weather forecast. This method was verified through postprocessing reforecast datasets derived from the Global Forecast System (GFS) for forecast leads ranging between 1 and 7 days over two Canadian watersheds in the Province of Quebec. The calibration of the ensemble weather forecasts was based on a cross-validation approach that leaves one year out for validation and uses the remaining years for training the model. The proposed method was compared with a simple bias correction method for ensemble precipitation and temperature forecasts using a set of deterministic and probabilistic metrics. The results show underdispersion and biases for the raw GFS ensemble weather forecasts, which indicated that they were poorly calibrated. The proposed method significantly increased the predictive power of ensemble weather forecasts for forecast leads ranging between 1 and 7 days, and was consistently better than the bias correction method. The ability to generate discrete, autocorrelated daily time series leads to ensemble weather forecasts’ straightforward use in forecasting models commonly used in the fields of hydrology or agriculture. This study further indicates that the calibration of ensemble forecasts for a period up to one week is reasonable for precipitation, and for temperature it could be reasonable for another week.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».