ensemblekalibrering

Ensemblekalibrering er en samling metoder til at justere et ensemble af forudsigelser eller simuleringer, så de giver korrekte sandsynlighedsudtryk og en mere pålidelig risiko- og usikkerhedsopfattelse. Formålet er at forbedre kalibreringen mellem de estimerede sandsynligheder og de faktiske observerede frekvenser, så ensemblet ikke er systematisk overvurderende eller undervurderende.

Ensemblekalibrering anvendes bredt inden for vejr- og hydrologiområdet, energiproduktion og finans, hvor flere modeller eller perturbationer af en model udgør ensemblet. Typiske mål er at korrigere bias, justere spredningen i ensemblet og sikre, at probabilistiske udsagn (f.eks. sandsynligheden for at temperaturer ligger over en grænse) afspejler observerede frekvenser.

Metoder til ensemblekalibrering omfatter post-prosesseringsteknikker som ensemble model output statistics (EMOS), Bayesian model averaging (BMA), logistisk regression og kvantil-kalibrering. Disse metoder behandler forsyningen af fejl og spredning som funktioner af ensemblelæsningerne og producerer dømmende sandsynligheder eller korrigerede fordelinger i stedet for rå gennemsnitlige forudsigelser. Der findes også online metoder i dataassimilation, hvor en ensemble Kalman filter (EnKF) anvender inflations- og lokaliseringsstrategier for at holde spredningen passende og kalibrere ensemblet mod indkommende observationer.

Evalueringsmålinger for ensemblekalibrering omfatter pålidelighedsdiagrammer, rækkehistre, CRPS ( Continuous Ranked Probability Score) og skarphed sammen med fejlfri test på tværs af valideringsdata. Udfordringerne inkluderer under- eller overspredning, ikke-Gausske fordelinger og høj dimensjonalitet, som kræver avancerede modeller og betydelige beregningsressourcer.

Ensemblekalibrering sigter altså mod mere pålidelige og informative probabilistiske forudsigelser gennem systematisk justering af ensemblet.