Zur Seitenansicht
 

Titelaufnahme

Titel
Flächenhafte Vorhersagen von Temperatur und relativer Luftfeuchte im Flachland / vorgelegt von Daniel Naschberger
VerfasserNaschberger, Daniel
Betreuer / BetreuerinnenMayr, Georg J. ; Dabernig, Markus
ErschienenInnsbruck, April 2018
Umfangviii, 67 Seiten : Diagramme, Karten
HochschulschriftUniversität Innsbruck, Masterarbeit, 2018
Datum der AbgabeApril 2018
SpracheDeutsch
DokumenttypMasterarbeit
Schlagwörter (DE)Flächenhafte Vorhersagen / Temperatur / Relative Luftfeuchte / Numerische Wettervorhersagen / Statistische Nachbearbeitung / Generalisierte Additive Modelle / Zensiert / Zensierte Verteilung / Flachland
Schlagwörter (EN)Spatial Forecast / Temperature / Relative Humidity / Statistical Postprocessing / Generalized Additive Models / Censoring / Censored Distribution / Flat Land
URNurn:nbn:at:at-ubi:1-16130 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Flächenhafte Vorhersagen von Temperatur und relativer Luftfeuchte im Flachland [9.23 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Ensemblevorhersagen aus einem numerischen Wettermodell (NWP) sind fehlerbehaftet, können aber mit statistischen Methoden auf Basis vergangener Werte korrigiert und kalibriert werden. Ziel dieser Arbeit ist die Vorhersagegüte für beliebige Orte in Niedersachsen und Bremen für zwei meteorologische Parameter zu verbessern. Für die Temperatur wird das statistisches Modell Standardized Anomaly Model Output Statistics (SAMOS) von Dabernig et al. (2017b) verwendet. Für die relative Luftfeuchte wird SAMOS um ein zensiertes Regressionsmodell erweitert. Ein Generalized Additive Model for Location, Scale and Shape (GAMLSS) wird dazu verwendet lokale und saisonale Effekte in den Klimatologien abzubilden. Diese sind auch für Orte ohne Beobachtungen gültig und feiner aufgelöst (90 90 m 2 ) als der ECMWF direct Model Output (DMO). Messwerte von 47 Stationen und der +18 UTC Zeitschritt, des um 00 UTC initialisierten ECMWF-Modells, lagen von 2010 bis 2016 vor. Die Ergebnisse der statistischen Modelle wurden zehnfach kreuzvalidiert und die Vorhersagegüte wurde mithilfe von Mean Absolut Error (MAE) und Continuous Ranked Probability Score (CRPS) ausgewertet.

Im Vergleich mit dem DMO werden beim CRPS-Skillscore im Median um mindestens 15% bessere Vorhersagen für Temperatur und relative Luftfeuchte erzielt. An den Messstationen wurde die größte Verbesserung mit einem lokal gültigen SAMOS -Modell, welches nur die jahreszeitliche Variation berücksichtigt, erzielt. Der CRPS-Skillscore verbessert sich im Median gegenüber der Ensemble Model Output Statistics (EMOS) um rund 4% bei der Temperatur und um rund 5.5% bei der relativen Luftfeuchte.

Wird nur ein SAMOS-Modell für alle Stationen bzw. für beliebige Orte verwendet, so werden weitere Effekte berücksichtigt. Die Miteinbeziehung der Höhe über MSL verbessert die Vorhersagegüte beider meteorologischer Parameter. Der Abstand zur Küstenlinie als weiterer Effekt brachte im Median keine Verbesserung, bei der Temperatur sogar eine Verschlechterung der Vorhersagegüte. Bei der relativen Luftfeuchte verbesserte sich die Schärfe der Verteilung. Im Median konnten an allen Messstationen, wie auch an beliebigen Orten, ohne vergangene Beobachtungen mindestens dieselbe Vorhersagegüte wie bei EMOS als Referenz erreicht werden. An den Stationen betrug die Verbesserung beim MAE-Skillscore der Temperatur 3% und der relativen Luftfeuchte 0.5%. Für den CRPS-Skillscore waren die Verbesserungen größer und betrugen 3.5% sowie 2%. An beliebigen Orten verbesserten sich der Median des MAE-Skillscores der Temperatur sowie des CRPS-Skillscores für Temperatur und relative Luftfeuchte um 2%.

Zusammenfassung (Englisch)

Ensemble forecasts from numerical weather model predictions (NWP) can be further improved and calibrated using statistical methods trained on previous forecasts and observations. The aim of this work is to improve the forecast quality for arbitrary locations in Lower Saxony and Bremen for two meteorological parameters. To improve temperature prediction, the Standardized Anomaly Model Output Statistics (SAMOS) by Dabernig et al. (2017b) is used. For relative humidity, SAMOS is enhanced with a censored regression model. Generalized Additive Models for Location, Scale and Shape (GAMLSS) account for local and seasonal effects in climatologies and spread the information to any location within the domain, yielding a much higher resolution (90 90 m 2 ) than the ECMWF Direct Model Output (DMO). Data from 47 stations and the DMO for the +18 UTC lead time from the ECMWF model initialized at 00 UTC were available from 2010 to 2016. The results of the statistical models were ten times cross-validated and the forecast quality was evaluated using the Mean Absolut Error (MAE) and the ontinuous Ranked Probability Score (CRPS).

The median forecasting improvement of the post-processed forecasts over the DMO is at least 15%. The largest improvement at stations was achieved with a locally valid SAMOS model, which only takes seasonal variation into account. The median improvement of the CRPS skill score compared to the state-of-the-art Ensemble Model Output Statistics (EMOS) is around 4% for temperature and around 5.5% for relative humidity.

When only one SAMOS model is used for all the stations and arbitrary locations, further effects are taken into consideration. Factoring in the elevation improves forecast quality of both meteorological parameters. By adding the distance from the coastline as a further effect, the median skill score was not improved but temperature forecast quality decreased. Only the sharpness for humidity forecast could be improved. The forecast quality of one SAMOS model for any location in the whole region was at least as good as EMOS. At the stations, the MAE skill score improved by 3% for temperature and by 0.5% for relative humidity. Improvements in the CRPS skill score are at 3.5% and 2%. At arbitrary locations, the MAE skill score improved by 2% for temperature. The median of the CRPS skill score for temperature and relative humidity improved by 2%.

Statistik
Das PDF-Dokument wurde 45 mal heruntergeladen.
Lizenz
CC-BY-Lizenz (4.0)Creative Commons Namensnennung 4.0 International Lizenz