Title (deu)
Korrektur von Temperaturpunktprognosen mit einem Kalmanfilter
Author
Johannes Staufer
Advisor
Leopold Haimberger
Assessor
Leopold Haimberger
Abstract (deu)
Trotz laufender Verbesserung numerischer Wettervorhersagemodelle sind deren Prognosen für die 2m- Oberflächentemperatur weiterhin mit systematischen Fehlern behaftet. Die Gründe liegen einerseits in der schlechten Auflösung der Modelltopografie und andererseits in Defiziten physikalischer Parametrisierungen. Im Rahmen dieser Arbeit wurden die Abweichungen zwischen den Kurzfristprognosen zweier Vorhersagemodelle, ECMWF und ALADIN, und den Beobachtungen anhand 93 über ganz Österreich verteilte Stationen über den Zeitraum 2005 bis 2006 (ALADIN) bzw. 2007 (ECMWF) analysiert. Dabei zeigte sich eine beträchtliche räumliche und zeitliche Variabilität der Fehler. Diese Prognosen wurden nun mit einem Kalmanfilter, einer flexiblen Technik, aufbauend auf vorangegangene Prognosen und Beobachtungen, die zu einer rekursiven Schätzung von Korrekturtermen verwendet werden, täglich korrigiert. Der durchschnittliche saisonale Bias konnte bei allen 93 Stationen auf Werte nahe Null korrigiert werden. Differenzierter ist jedoch die Betrachtung des RMSE (root mean square error): bei hochgelegenen oder in alpinen Tälern liegenden Stationen in West- und Südösterreich zeigte sich vor allem Winter eine deutliche Reduzierung des RMSE, während im weniger komplexen Terrain im restlichen Österreich, vor allem im Osten, diese Verbesserung nur sehr gering war. Zudem zeigten sich grobe Schwierigkeiten in Perioden mit plötzlichen Änderungen des Bias. Durch Kombination des Kalmanfilters mit autoregressiven Prozessen erster oder zweiter Ordnung konnten noch genauere Prognosen erzielt werden. Für diese Methode werden zusätzlich vorangegangene Differenzen zwischen bereits mit einem Kalmanfilter korrigierten Prognosen und Beobachtungen verwendet. Evaluiert wurden bisher die 3-stündigen Prognosen dieser kombinierten Methode. Die Ergebnisse zeigten eine deutliche Reduzierung des RMSE um bis zu 70% bezüglich der unkorrigerten Prognose im alpinen Westen. Im flacheren und weniger komplexen Terrain war die Reduzierung des RMSE gegenüber den rohen unkorrigerten Vorhersagen deutlich geringer (bis zu 30%). Die Problematik einer allzu raschen Änderung des Bias konnte jedoch auch mit dieser Methode nur geringfügig verbessert werden.
Abstract (eng)
Despite improvements in numerical weather prediction there are still systematic errors in surface temperature forecasts, mainly due to poor resolution of the model topography or deficient physical parameterizations. We analyzed the systematic deviations between short- term temperature forecasts, provided by the European Centre For Medium- Range Weather Forecasts (ECMWF) and by ALADIN (Aire Limitée, Adaptation dynamique, Développement InterNational), and observations at 93 stations located in Austria for 2005 till 2006 (ALADIN) and till 2007 (ECMWF) respectively. We found that systematic errors vary considerably in space and throughout the year. In order to correct these forecasts and to eliminate systematic errors we used a Kalman filter which used previous forecasts and observations to update its coefficients recursively. The coefficients were updated every day. The mean seasonal bias of the forecasts was reduced at each station to values close to zero. The Kalman filter improved the root mean square error especially in complex alpine areas in the West and South of Austria whereas in less complex areas of Eastern Austria improvement was hardly found. One major drawback of the Kalman filter was its poor performance when model biases changed dramatically. Better results were obtained by combining the Kalman filter with auto- regressive processes of first or second order. This technique used the difference between corrected forecasts and observations additionally. We evaluated the 3h- forecasts and found improvement of the root mean square error up to 70% with respect to raw forecasts in complex alpine areas in Western and Southern Austria and up to 30% in less complex areas in Central and Eastern Austria. Nevertheless there are still problems when model biases change dramatically.
Keywords (eng)
Systematic errors in short-term surface temperature forecastsstatistical post-processing methodsKalman Filter
Keywords (deu)
Systematische Fehler in Kurzfrist- Oberflächentemperaturvorhersagenstatistische KorrekturKalmanfilter
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
III, 151 S.
Number of pages
160
Association (deu)
Title (deu)
Korrektur von Temperaturpunktprognosen mit einem Kalmanfilter
Author
Johannes Staufer
Abstract (deu)
Trotz laufender Verbesserung numerischer Wettervorhersagemodelle sind deren Prognosen für die 2m- Oberflächentemperatur weiterhin mit systematischen Fehlern behaftet. Die Gründe liegen einerseits in der schlechten Auflösung der Modelltopografie und andererseits in Defiziten physikalischer Parametrisierungen. Im Rahmen dieser Arbeit wurden die Abweichungen zwischen den Kurzfristprognosen zweier Vorhersagemodelle, ECMWF und ALADIN, und den Beobachtungen anhand 93 über ganz Österreich verteilte Stationen über den Zeitraum 2005 bis 2006 (ALADIN) bzw. 2007 (ECMWF) analysiert. Dabei zeigte sich eine beträchtliche räumliche und zeitliche Variabilität der Fehler. Diese Prognosen wurden nun mit einem Kalmanfilter, einer flexiblen Technik, aufbauend auf vorangegangene Prognosen und Beobachtungen, die zu einer rekursiven Schätzung von Korrekturtermen verwendet werden, täglich korrigiert. Der durchschnittliche saisonale Bias konnte bei allen 93 Stationen auf Werte nahe Null korrigiert werden. Differenzierter ist jedoch die Betrachtung des RMSE (root mean square error): bei hochgelegenen oder in alpinen Tälern liegenden Stationen in West- und Südösterreich zeigte sich vor allem Winter eine deutliche Reduzierung des RMSE, während im weniger komplexen Terrain im restlichen Österreich, vor allem im Osten, diese Verbesserung nur sehr gering war. Zudem zeigten sich grobe Schwierigkeiten in Perioden mit plötzlichen Änderungen des Bias. Durch Kombination des Kalmanfilters mit autoregressiven Prozessen erster oder zweiter Ordnung konnten noch genauere Prognosen erzielt werden. Für diese Methode werden zusätzlich vorangegangene Differenzen zwischen bereits mit einem Kalmanfilter korrigierten Prognosen und Beobachtungen verwendet. Evaluiert wurden bisher die 3-stündigen Prognosen dieser kombinierten Methode. Die Ergebnisse zeigten eine deutliche Reduzierung des RMSE um bis zu 70% bezüglich der unkorrigerten Prognose im alpinen Westen. Im flacheren und weniger komplexen Terrain war die Reduzierung des RMSE gegenüber den rohen unkorrigerten Vorhersagen deutlich geringer (bis zu 30%). Die Problematik einer allzu raschen Änderung des Bias konnte jedoch auch mit dieser Methode nur geringfügig verbessert werden.
Abstract (eng)
Despite improvements in numerical weather prediction there are still systematic errors in surface temperature forecasts, mainly due to poor resolution of the model topography or deficient physical parameterizations. We analyzed the systematic deviations between short- term temperature forecasts, provided by the European Centre For Medium- Range Weather Forecasts (ECMWF) and by ALADIN (Aire Limitée, Adaptation dynamique, Développement InterNational), and observations at 93 stations located in Austria for 2005 till 2006 (ALADIN) and till 2007 (ECMWF) respectively. We found that systematic errors vary considerably in space and throughout the year. In order to correct these forecasts and to eliminate systematic errors we used a Kalman filter which used previous forecasts and observations to update its coefficients recursively. The coefficients were updated every day. The mean seasonal bias of the forecasts was reduced at each station to values close to zero. The Kalman filter improved the root mean square error especially in complex alpine areas in the West and South of Austria whereas in less complex areas of Eastern Austria improvement was hardly found. One major drawback of the Kalman filter was its poor performance when model biases changed dramatically. Better results were obtained by combining the Kalman filter with auto- regressive processes of first or second order. This technique used the difference between corrected forecasts and observations additionally. We evaluated the 3h- forecasts and found improvement of the root mean square error up to 70% with respect to raw forecasts in complex alpine areas in Western and Southern Austria and up to 30% in less complex areas in Central and Eastern Austria. Nevertheless there are still problems when model biases change dramatically.
Keywords (eng)
Systematic errors in short-term surface temperature forecastsstatistical post-processing methodsKalman Filter
Keywords (deu)
Systematische Fehler in Kurzfrist- Oberflächentemperaturvorhersagenstatistische KorrekturKalmanfilter
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
160
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Usage statistics
- Metadata
- Export formats