Az elmúlt években az összes nagyobb meteorológiai előrejelzéssel foglalkozó központ a különböző időjárási mennyiségek jövőbeli értékeinek prediktálásához ensemble előrejelzéseket is biztosít, amelyek különböző kezdeti feltételekkel felparaméterezett numerikus időjárási előrejelző modellekből származnak. Ez lehetővé teszi a valószínűségi időjárás előrejelzést, amit az egyesült királyságbeli European Centre for Medium-Range Weather Forecasts (ECMWF) 1992 óta alkalmaz. A 2025-ig terjedő stratégiai tervei szerint az ECMWF 18 km-ről 5 km-re növeli az ensemble előrejelzések felbontását, ami jelentősen megnöveli a számítási erőforrás igényt. Ezzel a tervezettel kapcsolatban az ECMWF-nél kísérleteket végeznek olyan magas és alacsony felbontású ensemble előrejelzésekből álló keverékek előállításával, amelyek az eddig használatban lévő modellel azonos számítási költséggel rendelkezzenek annak érdekében, hogy meghatározzák, létezik-e olyan optimális kombináció, amely a legjobb prediktív teljesítményt nyújtja. Jelen dolgozatban az ilyen duális felbontású globális ensemble előrejelzésekre elvégzett statisztikai utófeldolgozás viselkedését vizsgáljuk a felszíni hőmérsékletre, ahol a kalibráláshoz az ensemble model output statistics technikát (EMOS) alkalmazzuk. A vizsgálni kívánt keverékekben nagy felbontásúnak tekintjük az ECMWF 18 km-es rezolúcióval rendelkező 50 tagú operatív TCo639 előrejelzését, míg alacsony felbontásúnak a 200 tagú TCo399 ensemble előrejelzést, amelynek horizontális felbontása 29 km. Az 1-5 napos előrejelzésekre lokális és szemi-lokális EMOS utófeldolgozással végzett vizsgálatok alátámasztják a magas és alacsony felbontású előrejelzések optimális kombinációjának létezését, emellett a statisztikai kalibrálás csökkenti az illeszkedési mutatók közötti különbségeket.