DOI: https://doi.org/10.1002/qj.70119
تاريخ النشر: 2026-01-30
المؤلف: M Lakatos
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تناقش قسم ورقة البحث التقدمات في أنظمة التنبؤ الجماعي، التي تعزز التنبؤات الجوية من خلال توفير تقديرات احتمالية حاسمة لمجموعة متنوعة من التطبيقات، بما في ذلك الطاقة المتجددة وسلامة النقل. على الرغم من فائدتها، غالبًا ما تظهر هذه التنبؤات انحيازات منهجية، مما يستلزم معالجة إحصائية بعدية لتحسين الدقة. تتفوق الطرق التقليدية، بما في ذلك التقنيات المعلمية وطرق التعلم الآلي، عادةً في معايرة التنبؤات لمواقع وأوقات محددة ولكن قد تفشل في التقاط الاعتماديات بين المتغيرات بشكل كافٍ. للتغلب على هذه القيود، يقدم البحث طريقة معالجة بعدية متعددة المتغيرات تستخدم شبكة عصبية رسومية (dualGNN) تم تدريبها باستخدام دالة خسارة مركبة تدمج درجة الطاقة (ES) ودرجة الفاريوقرام (VS).
تم تقييم dualGNN على مجموعتين من البيانات: توقعات الإشعاع الشمسي من نموذج أبحاث الطقس والتنبؤ (WRF) لشمال تشيلي وتوقعات الرؤية من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) لأوروبا الوسطى. تشير النتائج إلى أن dualGNN تتفوق باستمرار على الطرق التقليدية المعتمدة على الكوبولا التجريبية وتظهر تحسينات كبيرة مقارنة بالشبكات العصبية الرسومية المدربة فقط على درجة الاحتمالية المرتبة المستمرة (CRPS) أو ES. من الجدير بالذكر أن dualGNN تلتقط بفعالية هيكل ترتيب الرتب للتنبؤات، مما يعيد العلاقات المكانية بدقة أكبر من التنبؤات الجماعية الخام أو البيانات الملاحظة التاريخية. بالإضافة إلى ذلك، أدى دمج درجة الفاريوقرام في دالة الخسارة إلى تحسين ملحوظ في الأداء الأحادي المتغير لكلا مجموعتي البيانات، حيث تجاوزت مجموعة ES-VS أفضل مرجع تم معايرته لتوقعات الرؤية.
مقدمة
تناقش مقدمة الورقة أهمية التنبؤات الجماعية، التي تدمج عدة تشغيلات نموذجية مع ظروف أولية مختلفة لتوفير إطار احتمالي يلتقط عدم اليقين في التنبؤ. بينما تكون هذه التنبؤات مفيدة في اتخاذ القرارات، فإنها غالبًا ما تتطلب معايرة لمعالجة الانحيازات المنهجية. تم تطوير تقنيات المعالجة الإحصائية بعدية، مثل إحصائيات مخرجات نموذج المجموعة (EMOS) ومتوسط النموذج بايزي (BMA)، لتعزيز موثوقية هذه التنبؤات. أظهرت التطورات الأخيرة في التعلم الآلي، وخاصة الشبكات الانحدارية التوزيعية (DRNs) وهياكل متقدمة أخرى مثل المحولات والشبكات العصبية التلافيفية، وعدًا في تحسين معايرة التنبؤ.
تتمثل إحدى القيود الملحوظة للطرق التقليدية في المعالجة بعدية في تطبيقها المستقل عبر آفاق التنبؤ والمواقع والمتغيرات، مما قد يتجاهل الاعتماديات الحرجة. لمعالجة ذلك، تم اقتراح تقنيات المعالجة بعدية متعددة المتغيرات، بما في ذلك طرق الكوبولا المعلمية وغير المعلمية، لاستعادة هيكل الاعتماد بين أبعاد التنبؤ المختلفة. تبرز الورقة الدور الناشئ للشبكات العصبية الرسومية (GNNs) في هذا السياق، خاصة قدرتها على نمذجة الاعتماديات المكانية الحاسمة للتنبؤات الجوية. يقدم المؤلفون نهجهم لاستخدام GNN في المعالجة بعدية للتنبؤات الجماعية، مع التركيز على الإشعاع الشمسي والرؤية، واستكشاف استراتيجيات تدريب متنوعة لتعزيز الأداء التنبؤي. تهدف الدراسة إلى تقييم ما إذا كانت دالة خسارة مركبة يمكن أن تحسن كل من دقة التوزيع والتقاط الاعتماد المكاني في التنبؤات.
طرق
تحدد هذه القسم المنهجيات المستخدمة في المعالجة بعدية وتقييم توقعات الإشعاع الشمسي والرؤية. بالنسبة لتوقعات الإشعاع الشمسي، تستخدم الدراسة نموذج إحصائيات مخرجات نموذج المجموعة (EMOS) جنبًا إلى جنب مع شبكة عصبية متعددة الطبقات (MLP) كما اقترح باران وآخرون (2025). بالمقابل، بالنسبة لتوقعات الرؤية، يُفضل نموذج الانحدار اللوجستي ذو الاحتمالات النسبية (POLR) على MLP، حيث أظهر أداءً متفوقًا في التطبيقات السابقة (لاكاطوس وباران، 2024).
لمعالجة الاعتماديات المكانية المحتملة في التنبؤات متعددة المتغيرات، تنفذ الدراسة نماذج مرجعية من خطوتين تستخدم كوبولا تجريبية لتوليد عينات متعددة المتغيرات من التنبؤات الأحادية المعايرة بشكل فردي. يتم استخدام طريقة اقتران كوبولا المجموعة (ECC)، كما وصفها شيفزيك وآخرون (2013)، للحفاظ على هياكل الاعتماد المتأصلة في التنبؤات الجماعية. يتم تدريب نموذج MLP للإشعاع الشمسي باستخدام نافذة متدحرجة لمدة 25 يومًا مع معلمات محددة، بينما يتم تطبيق نموذج EMOS باستخدام نهج شبه محلي، حيث يتم تجميع 18 محطة في ثلاث مجموعات. يتم توليد توقعات الرؤية من مصنف POLR، الذي يتم تدريبه على مدى 350 يومًا، مما يضمن التناسق مع مخرجات dualGNN.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تقنيات المعالجة بعدية المطبقة على توقعات الإشعاع الشمسي والرؤية. الهدف الرئيسي هو تعزيز تمثيل الاعتماديات المكانية بين مواقع مختلفة. بالإضافة إلى ذلك، يتضمن المؤلفون تقييمًا موجزًا لدقة التنبؤ الهامشي لكل متغير، مما يسمح بتقييم كل من الأداء الفردي للتنبؤات وفعاليتها في التقاط الارتباطات المكانية عبر مواقع المراقبة المختلفة. يبرز هذا التركيز المزدوج على الدقة والتمثيل المكاني أهمية فهم العلاقات بين المواقع في التنبؤات الجوية.
نقاش
في هذا القسم، يناقش المؤلفون المنهجيات والنتائج المتعلقة بالمعالجة بعدية لتوقعات الإشعاع الشمسي والرؤية. تم توليد توقعات الإشعاع الشمسي باستخدام نموذج أبحاث الطقس والتنبؤ (WRF)، مع استخدام مجموعة من ثمانية أعضاء بدقة أفقية تبلغ 3 كم. تم التحقق من صحة التنبؤات مقابل الملاحظات من 18 محطة مراقبة في تشيلي، بينما تم اشتقاق توقعات الرؤية من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) عبر 30 محطة SYNOP في ألمانيا وجمهورية التشيك وبولندا. استخدم المؤلفون نهج إحصائيات مخرجات نموذج المجموعة (EMOS) العادية المقيدة للإشعاع الشمسي، والذي يتعامل بفعالية مع الملاحظات غير السلبية والصفرية، ونموذج الانحدار اللوجستي ذو الاحتمالات النسبية (POLR) للرؤية، مع اعتبارها مشكلة تصنيف.
تشير النتائج إلى أن نموذج الشبكة العصبية متعددة الطبقات (MLP) ونموذج الشبكة العصبية الرسومية المزدوجة (GNN) يتفوقان بشكل كبير على توقعات WRF الخام، خاصة خلال ساعات النهار عندما يكون الإشعاع الشمسي أكثر أهمية للتطبيقات مثل إنتاج الطاقة الكهروضوئية. حقق نموذج GNN-CRPS أعلى تحسين في الأداء التنبؤي، يليه عن كثب نماذج MLP وdualGNN. بالإضافة إلى ذلك، أظهرت التنبؤات المعالجة بعدية معايرة أفضل وفترات توقع أوسع مقارنة بالتنبؤات الجماعية الخام، مع إظهار نموذج dualGNN أقرب توافق مع مستويات التغطية الاسمية. تؤكد النتائج على فعالية التقنيات الإحصائية المتقدمة والتعلم الآلي في تعزيز دقة التنبؤات الجوية.
DOI: https://doi.org/10.1002/qj.70119
Publication Date: 2026-01-30
Author(s): M Lakatos
Primary Topic: Meteorological Phenomena and Simulations
Overview
The research paper section discusses advancements in ensemble forecasting systems, which enhance meteorological predictions by providing probabilistic estimates crucial for various applications, including renewable energy and transportation safety. Despite their utility, these forecasts often exhibit systematic biases, necessitating statistical post-processing to improve accuracy. Traditional methods, including parametric techniques and machine learning approaches, typically excel at calibrating predictions for specific locations and times but may fail to adequately capture inter-variable dependencies. To overcome this limitation, the study introduces a multivariate post-processing method utilizing a graph neural network (dualGNN) trained with a composite loss function that integrates the energy score (ES) and the variogram score (VS).
The dualGNN is evaluated on two datasets: solar irradiance forecasts from the Weather Research and Forecasting (WRF) model for northern Chile and visibility forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF) for Central Europe. Results indicate that the dualGNN consistently outperforms traditional empirical copula-based methods and shows significant enhancements over graph neural networks trained solely on the continuous ranked probability score (CRPS) or ES. Notably, the dualGNN effectively captures the rank-order structure of forecasts, restoring spatial relationships more accurately than raw ensemble predictions or historical observational data. Additionally, incorporating the variogram score into the loss function notably improved univariate performance for both datasets, with the ES-VS combination surpassing the best calibrated reference for visibility forecasts.
Introduction
The introduction of the paper discusses the significance of ensemble forecasts, which integrate multiple model runs with varying initial conditions to provide a probabilistic framework that captures forecast uncertainty. While these forecasts are beneficial for decision-making, they often require calibration to address systematic biases. Statistical post-processing techniques, such as ensemble model output statistics (EMOS) and Bayesian model averaging (BMA), have been developed to enhance the reliability of these forecasts. Recent advancements in machine learning, particularly distributional regression networks (DRNs) and other sophisticated architectures like transformers and convolutional neural networks, have shown promise in improving forecast calibration.
A notable limitation of traditional post-processing methods is their independent application across forecast horizons, locations, and variables, which can overlook critical dependencies. To address this, multivariate post-processing techniques, including parametric and non-parametric copula methods, have been proposed to recover the dependence structure among different forecast dimensions. The paper highlights the emerging role of graph neural networks (GNNs) in this context, particularly their ability to model spatial dependencies crucial for meteorological forecasting. The authors introduce their approach of using a GNN for post-processing ensemble forecasts, focusing on solar irradiance and visibility, and explore various training strategies to enhance predictive performance. The study aims to evaluate whether a composite loss function can improve both distributional accuracy and spatial dependency capture in the forecasts.
Methods
This section outlines the methodologies employed for post-processing and evaluating forecasts of solar irradiance and visibility. For solar irradiance forecasts, the study utilizes the Ensemble Model Output Statistics (EMOS) model alongside a multilayer perceptron (MLP) as proposed by Baran et al. (2025). In contrast, for visibility forecasts, a proportional odds logistic regression (POLR) model is preferred over the MLP, as it demonstrated superior performance in prior applications (Lakatos and Baran, 2024).
To address potential spatial dependencies in multivariate forecasts, the study implements two-step benchmark models that utilize an empirical copula to generate multivariate samples from individually calibrated univariate forecasts. The ensemble copula coupling (ECC) method, as described by Schefzik et al. (2013), is employed to maintain the dependency structures inherent in the ensemble forecasts. The MLP model for solar irradiance is trained using a 25-day rolling window with specific hyperparameters, while the EMOS model is applied using a semi-local approach, clustering 18 stations into three groups. The visibility forecasts are generated from the POLR classifier, which is trained over a 350-day period, ensuring consistency with the dualGNN outputs.
Results
In this section, the authors present the outcomes of post-processing techniques applied to forecasts of solar irradiance and visibility. The primary objective is to enhance the representation of spatial dependencies among different locations. Additionally, the authors include a brief evaluation of the marginal forecast accuracy for each variable, which allows for an assessment of both the individual performance of the forecasts and their effectiveness in capturing spatial correlations across various observation sites. This dual focus on accuracy and spatial representation underscores the importance of understanding inter-site relationships in meteorological forecasting.
Discussion
In this section, the authors discuss the methodologies and findings related to the post-processing of solar irradiance and visibility forecasts. The solar irradiance forecasts were generated using the Weather Research and Forecasting (WRF) model, employing an eight-member ensemble with a 3 km horizontal resolution. The forecasts were validated against observations from 18 monitoring stations in Chile, while visibility forecasts were derived from the European Centre for Medium-Range Weather Forecasts (ECMWF) across 30 SYNOP stations in Germany, the Czech Republic, and Poland. The authors employed a censored normal ensemble model output statistics (EMOS) approach for solar irradiance, which effectively handles non-negativity and zero observations, and a proportional odds logistic regression (POLR) model for visibility, treating it as a classification problem.
The results indicate that the multilayer perceptron (MLP) and dual graph neural network (GNN) models significantly outperform the raw WRF forecasts, particularly during daylight hours when solar irradiance is most relevant for applications like photovoltaic energy production. The GNN-CRPS model achieved the highest improvement in predictive performance, followed closely by the MLP and dualGNN models. Additionally, the post-processed forecasts demonstrated better calibration and wider prediction intervals compared to the raw ensemble forecasts, with the dualGNN model showing the closest alignment to nominal coverage levels. The findings underscore the effectiveness of advanced statistical and machine learning techniques in enhancing the accuracy of meteorological forecasts.