Using Non-Homogeneous Gaussian Regression to incorporate heteroscedasticity when post-processing air temperature forecasts by Bayesian Model Averaging
Notice bibliographique
Résumé
Raw forecasts, be they weather or hydrological, suffer from the inevitable errors stemming from either model structures or initial conditions estimation. With forecasting being a critical component in addressing challenges in flood control, reservoir and hydropower operation, and other fields related to the environment, energy and public safety, improving forecasting skill is increasingly necessary. Post-processing methods can help in this regard and can help improve forecast accuracy and reliability. Non-Homogeneous Gaussian Regression (NGR) and Bayesian Model Averaging (BMA) are the two most commonly used methods when it comes to post-processing probabilistic forecasts, and they have shown to be similarly efficient in many studies. For case studies where there are several distinct forecasts for one single observation, NGR risks losing information on uncertainty by aggregating the forecasts even though it accounts for heteroscedasticity. BMA, on the other hand, evaluates distinct model components and utilizes them accordingly, while assuming all the forecasts are alike in their under/overdispersion. This work introduces a mixed NGR-BMA approach for calibrating air temperature forecasts with lead-times of 1-10 days where the forecasts are first processed with NGR and then corrected once more by BMA according to a priori information on the skill of model components. This way, the upsides of each method is maintained through post-processing. The results generally show that the higher the lead-time, the more the proposed method outperforms either BMA or NGR taken individually. 
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) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».