DFG Projekt Ensemble Postprocessing
Netzwerkmitglieder
- Dr. Sándor Baran, University of Debrecen, Hungary
- Dr. Patricia Szokol, University of Debrecen, Hungary
- PD Dr. Jürgen Groß, University of Hildesheim, Germany
- Dr. Roman Schefzik, German Cancer Research Center (DKFZ), Heidelberg, Germany
- Dr. Sebastian Lerch, Karlsruhe Institute of Technology and Heidelberg Institute for Theoretical Studies, Heidelberg, Germany
- Dr. Stephan Hemri, Federal Office of Meteorology and Climatology MeteoSwiss, Switzerland
Netzwerk Projekt
Zur Vorhersage des Wetters werden numerische Modelle verwendet, sogenannte numerical weather prediction (NWP) modelle. Diese bestehen aus einem System von Differenzialgleichungen, welche den Zustand der Atmosphäre möglichst genau beschreiben sollen und durch Integration über die Zeit Progonsen über den Zustand der Atmosphäre zu Zeitpunkten in der Zukunft liefern. Üblicherweise werden NWP Modelle mehrfach gestartet, jeder Lauf mit anderen Anfangsbedingungen und/oder anderen Modellformulierungen, um dadurch die Unsicherheiten in den Anfangsbedingungen/Modellformulierungen abzubilden. Ergbnis ist ein Vorhersage Ensemble, aus jedem Lauf des Modells entsteht eine deterministische Vorhersage.
Da die ensemble Vorhersagen meist schlecht kalibriert sind, werden statistische Modelle entwickelt, um die Eigenschaften der Vorhersagen zu verbessern und die Vorhersageunsicherheit zu quantifizieren.
Ziel der Forschungskooperation im Netzwerk ist die Entwicklung von statistischen Modellen zur Nachbearbeitung der ensemble Vorhersagen (ensemble postprocessing).
Die aktuellen Pläne des Netzwerks sind dabei
- Weiterentwicklung von existierenden Modellen für normalverteilte Wettervariablen wie z.B. Temperatur, so dass diese auf andere Wetter Variablen anwendbar sind, z.B. für schiefe Verteilungen wie Windgeschwindigkeit, oder Mischverteilungen wie Niederschlag.
- Erweiterung existierender Modelle auf den Multivariaten Fall, d.h. Berücksichtigungen von räumlichen und zeitlichen Abhängigkeiten bzw. Abhängigkeiten zwischen Wetter Variablen.
- Anwendung von Methoden des Maschinellen Lernens im Kontext von ensemble postprocessing, speziell auch für diskrete Wetter Variablen wie Cloud Cover
- Implementierung von neuen Modellen, verheineitlichung von bereits existierenden Implementierungen
Bisherige Veröffentlichungen von Netzwerkmitgliedern zum Projektthema