Go to page
 

Bibliographic Metadata

Title
Automated weather forecasts with non-homogeneous regression : improving probabilistic forecasts of precipitation and temperature at alpine sites / by Manuel Gebetsberger
Additional Titles
Automatisierte Wettervorhersage mit Nicht-Homogener Regression
AuthorGebetsberger, Manuel
CensorHamill, Tom ; Gneiting, Tilmann
Thesis advisorMayr, Georg J. ; Zeileis, Achim
PublishedInnsbruck, 2018
Descriptionvi, 95 Blätter : Diagramme, Karten
Institutional NoteUniversity of Innsbruck, Dissertation, 2018
Date of SubmissionJune 2018
LanguageEnglish
Document typeDissertation (PhD)
Keywords (DE)Wettervorhersage / Wahrscheinlichkeitsvorhersage / Ensemble Post-Processing
Keywords (EN)distributional regression / non-homogeneous regression / ensemble post-processing / estimation methods / probabilistic forecasting
URNurn:nbn:at:at-ubi:1-23932 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Automated weather forecasts with non-homogeneous regression [3.17 mb]
Links
Reference
Classification
Abstract (German)

Die vorgestellte Dissertation untersucht und entwickelt Methoden um verbesserte Wahrscheinlichkeitsvorhersagen für Wetterprognosen für ein automatisiertes Vorhersagesystem im alpinen Raum zu erreichen. Statistisches Nachprozessieren von rohen numerischen Wettervorhersagemodellen ist hierbei ein übliches Verfahren um korrigierte Prognosen einem Endnutzer zur Verfugung zu stellen. Allerdings sind gängige Methoden fur Vorhersagen in topographisch komplexen Gegenden, wie zum Beispiel den Alpen, nicht optimal geeignet. Nicht-homogene Regression stellt eine oftmals verwendete Methode dar um korrigierte Vorhersagen in Form einer Wahrscheinlichkeitsverteilung auszudrücken und wird im Detail untersucht.

In einem ersten wissenschaftlichen Schritt wird an dieser gängigen Methode verglichen wie die optimalen Parameter einer Vorhersageverteilung geschätzt werden können. Hierbei wird untersucht, welchen Einfluss die Verteilungsannahme bei dieser Schätzung hat, vor allem wenn Daten mit vielen Extremereignissen vorliegen. Als zweiter wissenschaftlicher Schritt werden statistische Verfeinerungen an dieser Methode vorgenommen, um Wahrscheinlichkeitsvorhersagen für Niederschlag zu verbessern. Eine dieser Verfeinerungen berücksichtigt vor allem trockene Ereignisse, die perfekt vorhergesagt werden konnen. Weiters ist eine spezielle parametrische Verteilung mit schwereren Randern als bei der Normalverteilung besser im Stande höhere Niederschlagsmengen abzubilden. Zusätzlich kann mit Hilfe von passenden link-Funktionen eine optimale Vorhersageunsicherheit gewährleistet werden. Der dritte und letzte wissenschaftliche Schritt soll untersuchen ob eine schiefe Verteilung für Temperaturvorhersagen im alpinen Raum besser geeignet ist als die gängige Annahme einer Gauss-Verteilung, um lokale Wetterphanomene besser abbilden zu können die im Moment in numerischen Vorhersagemodellen nicht genügend aufgelöst werden.

Abstract (English)

The presented dissertation develops methods for improving probabilistic forecasts of an automated forecasting system at Alpine sites. Hereby, statistical post-processing of the raw output of numerical weather prediction (NWP) models is widely used for providing corrected weather forecasts to end-users. However, commonly used methods are not adequate for forecasts over complex topography such as the European Alps, where NWP models are missing local effects. Non-homogeneous regression represents a widely used approach for providing corrected forecasts by probability distributions, and thus is studied in detail.

In a first scientific step, it is investigated how the distribution parameters of an assumed probability distribution can be estimated with non-homogeneous regression, and how the distributional assumption of heavy-tailed data impacts this estimation. In a second scientific step, statistical refinements of the baseline method are investigated in terms of probabilistic precipitation forecasting. One of those refinements is able to particularly account for dry events which can be forecasted perfectly. Furthermore, the use of a heavy-tailed parametric distribution deals with large precipitation amounts. Additionally, an appropriate link-function is able to provide suitable uncertainty predictions. The third and last scientific step evaluates a skewed response distribution in contrast to the widely used Gaussian distribution for probabilistic temperature forecasts in order to address local weather phenomena, which are not yet resolved properly by global NWP models.

Stats
The PDF-Document has been downloaded 22 times.
License
CC-BY-License (4.0)Creative Commons Attribution 4.0 International License