基于数值天气预测模型多个运行的集合天气预报通常显示系统错误,需要后处理以获得可靠的预测。在许多实际应用中,对多元依赖性进行建模至关重要,并且已经提出了多种多元后处理方法,其中首先在每个边距中首先在每个边距中分别进行后处理,然后通过COPULAS恢复多元依赖性。这些两步方法具有共同的关键局限性,特别是在建模依赖项中包含其他预测因子的困难。我们提出了一种基于生成机器学习来应对这些挑战的新型多元后处理方法。在这类新的非参数数据驱动的分布回归模型中,来自多元预测分布的样本是直接作为生成神经网络的输出而获得的。生成模型是通过优化适当的评分规则来训练的,该规则衡量生成的数据和观察到的数据之间的差异,条件是外源输入变量。我们的方法不需要对单变量分布或多元依赖性的参数假设,并且允许对任意预测变量进行分配。在两个关于德国气象站的多元温度和风速预测的案例研究中,我们的生成模型对最先进的方法显示出显着改善,尤其是改善了空间依赖性的表示。
主要关键词