A hybrid analog-ensemble, convolutional-neural-network method for post-processing precipitation forecasts
Notice bibliographique
Résumé
Abstract An ensemble precipitation forecast post-processing method is proposed by hybridizing the Analog Ensemble (AnEn), Minimum Divergence Schaake Shuffle (MDSS), and Convolutional Neural Network (CNN) methods. This AnEn-CNN hybrid takes the ensemble mean of Global Ensemble Forecast System (GEFS) 3-hourly precipitation forecasts as input and produces bias-corrected, probabilistically calibrated, and physically realistic gridded precipitation forecast sequences out to 7-days. The AnEn-CNN hybrid post-processing is trained on the European Centre for Medium-Range Weather Forecasts Reanalysis version 5 (ERA5), and verified against station observations across British Columbia (BC), Canada, from 2017 to 2019. The AnEn-CNN hybrid produces more skillful forecasts than a quantile-mapped GEFS baseline and other conventional AnEn methods, with a roughly 10% increase in Continuous Ranked Probability Skill Score. Further, it outperforms other AnEn methods by 0-60% in terms of Brier Skill Score (BSS) for heavy precipitation periods across disparate hydrological regions. Longer forecast lead times exhibit larger performance gains. Verification against 7-day accumulated precipitation totals for heavy precipitation periods also demonstrates that precipitation sequences are realistically reconstructed. Case studies further show that the AnEn-CNN hybrid scheme produces more realistic spatial precipitation patterns and precipitation intensity spectra. This work pioneers the combination of conventional statistical post-processing and neural networks, and is one of only a few studies pertaining to precipitation ensemble post-processing in BC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».