A numerikus időjárás-előrejelző modellek érzékenyek a kezdeti feltételek apró eltéréseire, amelyek a légkör kaotikus viselkedése miatt gyorsan felerősödhetnek, ezáltal csökkentve az előrejelzések pontosságát. A valószínűségi előrejelzés és a bizonytalanságok becslése céljából ensemble előrejelző rendszerek kerülnek alkalmazásra, amelyek eltérő kezdeti feltételek és modellparaméterezések mellett több előrejelzést állítanak elő. A nyers ensemble előrejelzések azonban gyakran torzítottak és nem reprezentálják eléggé a bizonytalanságot, ezért statisztikai utófeldolgozó módszerek alkalmazása válik szükségessé. Bár ezek a módszerek jelentős javulást eredményeznek, többségük egyváltozós megközelítésű, így nem veszik figyelembe a térbeli, időbeli és meteorológiai változók közötti összefüggéseket. A disszertáció célja egyváltozós és többváltozós statisztikai utófeldolgozó módszerek összehasonlítása, a többváltozós eljárásokon belül pedig különös figyelmet fordítunk a kétlépcsős megközelítésekre, amelyek az egyváltozós korrekció után empirikus kopulák segítségével állítják vissza a korrelációs struktúrákat. Bemutatásra kerül egy interpolációval bővített szemi-lokális eljárás is, amely lehetővé teszi előrejelzések kalibrálását olyan területeken, ahol nem áll rendelkezésre megfigyelés. Vizsgáljuk továbbá, hogy a Copernicus Légkör Megfigyelő Szolgáltatás kategorikus látástávolság-előrejelzései hogyan javíthatják az Európai Középtávú Időjárás Előrejelzések Központja által készített látástávolság előrejelzések statisztikai korrekcióját.

Numerical weather prediction models are sensitive to small variations in initial conditions, which can rapidly amplify due to the chaotic nature of the atmosphere, thereby reducing the accuracy of forecasts. To estimate uncertainty and generate probabilistic forecasts, ensemble prediction systems are employed, which produce multiple forecasts by using different initial conditions and model parameterizations. However, raw ensemble forecasts are often biased and do not adequately represent uncertainty, necessitating the application of statistical post-processing methods. While these methods significantly improve forecast accuracy, most are univariate and do not account for the spatial, temporal, and intervariable dependencies. The aim of this dissertation is to compare univariate and multivariate statistical post-processing methods, with a particular focus on two-step methods that restore correlation structures through empirical copulas after univariate corrections. We also introduce a semi-local method extended with an interpolation step, which enables the calibration of forecasts in areas where observational data is unavailable. Additionally, we investigate how the Copernicus Atmosphere Monitoring Service categorical visibility forecasts can improve the statistical post-processing of visibility forecasts produced by the European Centre for Medium-Range Weather Forecasts.