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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,004 | 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 ».