Ezen disszertáció témája különböző valószínűségi időjárás modellek bemutatása, illetve azok alkalmazása magyarországi adatokra. A dolgozat három részből tevődik össze. Manapság a Bayesian model averaging (BMA; Raftery et al., 2005) és az Ensemble model output statistics (EMOS; Gneiting et al., 2005) a két legszéleskörűbben alkalmazott statisztikai utófeldolgozó módszer, melyeket az 1.1. alfejezetben mutatok be. Az illeszkedésvizsgálat célja az, hogy megmutassuk, hogy az általunk vizsgált előrejelző modell mennyire illeszkedik a tényleges megfigyelésekre. Az 1.2. alfejezet tartalmazza az általunk használt összes illeszkedési mutató részletes leírását. Végül az 1.3. alfejezetben található a vizsgált adatsorok részletes leírása. A 2. fejezetben az ALADIN-HUNEPS hőmérséklet és szélsebesség ensemble előrejelzések statisztikai utófeldolgozásának részletes leírása található. Először az alkalmazott speciális modelleket mutatom be, hőmérséklet és szélsebesség esetén a BMA és EMOS módszereket hasonlítottuk össze. Ezt követően mindkét esetben meghatároztuk az optimális tanuló periódus hosszát. Végül összefoglaltam a kapott eredményeket, megadva az adatainkra legjobban illeszkedő modellt. Az utolsó fejezetben a csapadék előrejelzések statisztikai utófeldolgozása van részletezve. Először az általunk kifejlesztett új EMOS modellt mutatom be, mely egy cenzorált, eltolt gamma eloszláson alapszik. A cenzorált, eltolt gamma EMOS modellt két különböző csapadék ensemble előrejelzéseken teszteltünk, és az eredményeket összehasonlítottuk Scheuerer (2014) általánosított extrémérték EMOS modelljével és Sloughter et al. (2007) gamma BMA modelljével. A 3.3. alfejezet egyrészt az optimális tanuló periódus hosszának meghatározását tartalmazza, másrészt itt találhatóak a különböző modellek esetén kapott részletes eredmények. Mindkét adatsor esetén az általunk kifejlesztett új CSG EMOS modellnek van a legjobb előrejelző képessége, amit a különböző illeszkedési mutatók értékei támasztanak alá (Baran and Nemoda, 2016).

This dissertation describes different calibration methods and their applications to Hungarian data sets. It consists of three chapters. In Chapter 1.1 the Bayesian Model Averaging (BMA; Raftery et al., 2005) and the Ensemble model output statistics (EMOS; Gneiting et al., 2005) methods are introduced, which are probably the most popular approaches in statistical calibration of ensemble forecasts. In order to check the overall performance of the calibrated forecasts based on probability distribution functions, in Subsection 1.2 we introduce various kinds of scoring rules. Finally, Subsection 1.3 contains the detailed description of the data sets to which BMA and EMOS models are applied. Chapter 2 contains the statistical post-processing of temperature and wind speed ensemble forecasts of the ALADIN-HUNEPS system. First, the applied special models for temperature and wind speed are introduced, in both cases we compare the BMA and EMOS methods. Then in both cases we determine the optimal lengths of training periods. Finally, Subsection 2.3 contains the verification results corresponding to different post-processing models. In Chapter 3 the statistical post-processing of precipitation data is given in detail. First, we introduce a new EMOS model, which is based on a censored and shifted gamma distribution. We test the censored, shifted gamma EMOS model on two different dataset, then we compar the results with the generalized extreme value EMOS model of Scheuerer (2014) and the gamma BMA model of Sloughter et al. (2007). In Subsection 3.3, we determine the optimal length of the training period. Finally, we compare the different verification scores corresponding to different models, and we find that for both data sets our new EMOS model (Baran and Nemoda, 2016) provides the best fit.