Paraméteres utófeldolgozás élességének javítása hőmérséklet előrejelzések esetén

Abstract

Napjainkban az időjárási változók pontelőrejelzése mellett a meteorológiai szolgálatok valószínűségi előrejelzéseket is előállítanak, ami lehetővé teszi az előrejelzés bizonytalanságának mérését. Ezek az előrejelzések azonban tipikusan rosszul kalibráltak, utófeldolgozásra szorulnak. Az egyik, széleskörűen alkalmazott utófeldolgozási technika, amikor a változó előrejelzésére egy adott eloszláscsaládból származó eloszlást használunk, melynek paramétereit a nyers előrejelzésekből becsüljük. Az elmúlt néhány évben erre egyre intenzívebben használnak gépi tanulási technikákat is (distributional regression network), melyek versenyképesnek bizonyultak a korábban alkalmazott módszerekkel. Az előrejelző eloszlás típusa, az alkalmazott neurális háló, a bemeneti jellemzők megválasztása erősen függ az előrejelezni kívánt időjárási változótól, a rendelkezésre álló tanító adat mennyiségétől és minőségétől. Az illesztett modell értékelésére többféle mutató létezik, a munka célja, hogy új technikák alkalmazásával az előrejelzés élességét javítsa a kalibráltság megtartása mellett.