A meteorológia területén hatalmas előrelépést jelentett az ensemble időjárás-előrejelzési technika operatív alkalmazása. A módszer lényege, hogy több numerikus időjárás-előrejelző modell futtatását vagy egy perturbált paraméterezésű, esetlegesen perturbált kezdő értékkel megadott modell különböző futtatását kombinálja, így olyan valószínűségi előrejelzéseket képes adni, amelyek segítségével megbecsülhető az időjárás-előrejelzés bizonytalansága. Ezek a valószínűségi előrejelzések növelik a predikciók pontosságát, azonban az ensemble előrejelzések nyers kimenete gyakran alacsony szórással rendelkezik és esetenként torzítással terhelt lehet, ami hátrányosan befolyásolhatja megbízhatóságukat és használhatóságukat. A statisztikai utófeldolgozás az egyik legelterjedtebb módszer az előrejelzések kalibrálására, ezáltal javítva az ensemble predikciók megbízhatóságát. Az ensemble időjárás-előrejelzésben megjelentek a duális felbontású előrejelző rendszerek is, amelyek a magasabb felbontással járó költségnövekedés minimalizálása és a jobb prediktív teljesítmény közötti kompromisszum megteremtése érdekében különböző térbeli felbontású tagokat fognak össze egy-egy ensemble rendszerbe. A disszertáció átfogóan vizsgálja az egyféle és duális felbontású előrejelzések statisztikai utófeldolgozásának témáját, elemezve a különböző eloszlásokon alapuló, parametrizált EMOS modellek hatékonyságát, és tesztelve azokat több időjárási változóra vonatkozóan.

Ensemble weather forecasting has a transformative effect on meteorology by combining multiple numerical weather prediction model runs, yielding probabilistic forecasts that address weather prediction uncertainties. These forecasts enhance accuracy and inform decision-making across various sectors. However, the raw output from ensemble forecasts often exhibits certain limitations, such as underdispersion and bias, which can adversely affect their reliability and usability. Statistical post-processing enhances ensemble forecast skill and reliability through bias correction and calibration. In ensemble weather forecasting, dual-resolution ensembles have emerged, blending various spatial resolutions within an ensemble to balance cost and forecast skill. This method can improve accuracy without excessive computation. This thesis presents a comprehensive exploration of the topic of statistical post-processing of single- and dual-resolution forecasts, analysing the efficacy of parametrised EMOS models based on various distributions and testing them across multiple weather variables.