Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Attempts at using Bayesian neural networksfor uncertainty assessments of temperature forecasts

Lundqvist, Joel LU (2019) FYSK02 20191
Combustion Physics
Department of Physics
Abstract (Swedish)
This thesis describes attempts at estimating the uncertainty of the 2-metre temperature forecast error from a probabilistic point of view, utilizing Bayesian neural networks.
Bayesian neural networks are a type of machine-learning algorithms used to find patterns in data and make probabilistic predictions.
Multiple fields of output data from the ECMWF IFS global model, along with temperature measurements from two meteorological observation stations for a period of six years are used for training of the networks.
Attempts are made to assess probability distributions for the error as a continuous variable and through approaching the task as a binary classification problem.
None of the attempts described were successful in terms of... (More)
This thesis describes attempts at estimating the uncertainty of the 2-metre temperature forecast error from a probabilistic point of view, utilizing Bayesian neural networks.
Bayesian neural networks are a type of machine-learning algorithms used to find patterns in data and make probabilistic predictions.
Multiple fields of output data from the ECMWF IFS global model, along with temperature measurements from two meteorological observation stations for a period of six years are used for training of the networks.
Attempts are made to assess probability distributions for the error as a continuous variable and through approaching the task as a binary classification problem.
None of the attempts described were successful in terms of producing useful predictions, but may serve as a starting point for further investigations. (Less)
Popular Abstract (Swedish)
Moderna väderprognoser bygger i huvudsak på datorsimuleringar av atmosfären, så kallade numeriska väderprognoser. Med ett globalt nätverk av mätstationer och satelliter insamlas information om atmosfärens tillstånd, och dess fortsatta utveckling simuleras i vädermodeller. Sedan den andra halvan av 1900-talet har en enorm utveckling skett på området, i takt med att datorernas snabba utveckling har möjliggjort mer och mer högdetaljerade modeller som med högre och högre träffsäkerhet kan förutspå vädrets utveckling. Men på grund av atmosfärens känslighet för små skillnader i utgångsläge är en perfekt väderprognos omöjlig att producera.

Den idag vanligaste metoden för bedömning av osäkerheten i prognoser är genom användning av... (More)
Moderna väderprognoser bygger i huvudsak på datorsimuleringar av atmosfären, så kallade numeriska väderprognoser. Med ett globalt nätverk av mätstationer och satelliter insamlas information om atmosfärens tillstånd, och dess fortsatta utveckling simuleras i vädermodeller. Sedan den andra halvan av 1900-talet har en enorm utveckling skett på området, i takt med att datorernas snabba utveckling har möjliggjort mer och mer högdetaljerade modeller som med högre och högre träffsäkerhet kan förutspå vädrets utveckling. Men på grund av atmosfärens känslighet för små skillnader i utgångsläge är en perfekt väderprognos omöjlig att producera.

Den idag vanligaste metoden för bedömning av osäkerheten i prognoser är genom användning av ensembleprognoser. Metoden går ut på att köra ett stort antal simuleringar parallellt, men med introducerade variationer i sina utgångslägen. Hur mycket dessa parallella simuleringar skiljer sig från varandra kan tas som ett mått på graden av osäkerhet i prognosen. För korta prognossteg, det vill säga prognoser som gäller kort efter att de utfärdats, är det dock ofta ett problem att de små introducerade skillnaderna inte hunnit påverka det storskaliga systemet i tillräckligt hög grad för att beskriva den faktiska osäkerheten.

Artificiella neuronnätverk är en typ av maskininlärningsalgoritmer som kan användas för att hitta mönster i stora mängder data. Sådana nätverk har visat sig användbara för till exempel automatisk röstigenkänning, maskinöversättning och bildklassificering. I den här uppsatsen används Bayesianska neuronnätverk, en särskild typ av neuronnätverk som hanterar sannolikheter, för att försöka finna samband mellan utdata från numeriska väderprognosmodeller och observationer av prognosfel från två väderstationer. Här är prognosfelet definierat som skillnaden mellan temperaturens prognosvärde och observation. Om samband kan identifieras kan det vara användbart i situationer som där det finns en känslighet för små skillnader i temperatur. Till exempel vintertid, när det är risk för halka på vägarna, skulle ett sådant nätverk möjligen kunna komplettera prognosen med kompletterande information om hur sannolikt det är att temperaturen är låg nog för att låta vatten frysa.

I detta arbete görs först försök till skattning av temperaturprognosfelet som en kontinuerlig variabel, det vill säga sannolikheten för att felet har ett visst värde mätt i grader. Därefter hanteras felet som ett binärt klassificeringsproblem, där målet är att ge en sannolikhet för att felets storlek överskrider två grader. Slutligen görs ett försök där observationerna av temperatur behandlas direkt, utan att undersöka avvikelsen från prognosens värde, och förutsägelser görs för sannolikheten att temperaturen överskrider noll grader.

Vidare undersökningar behövs dock för att ta fram väl fungerande nätverk, då ingen av försöken som presenteras här ger omedelbart användbara resultat. Nätverken för prediktion av prognosfelet lyckas inte identifiera de mest osäkra prognoserna. Nätverken där observationerna av temperatur hanteras direkt ger mycket osäkra förutsägelser i spannet runt noll grader där de var avsedda att bidra med relevant kompletterande information. (Less)
Please use this url to cite or link to this publication:
author
Lundqvist, Joel LU
supervisor
organization
course
FYSK02 20191
year
type
M2 - Bachelor Degree
subject
keywords
Meteorology, Artificial neural networks, Bayesian neural networks, Forecast uncertainty
language
English
id
8994996
date added to LUP
2019-10-07 11:48:27
date last changed
2019-10-07 11:48:27
@misc{8994996,
  abstract     = {{This thesis describes attempts at estimating the uncertainty of the 2-metre temperature forecast error from a probabilistic point of view, utilizing Bayesian neural networks.
Bayesian neural networks are a type of machine-learning algorithms used to find patterns in data and make probabilistic predictions.
Multiple fields of output data from the ECMWF IFS global model, along with temperature measurements from two meteorological observation stations for a period of six years are used for training of the networks.
Attempts are made to assess probability distributions for the error as a continuous variable and through approaching the task as a binary classification problem.
None of the attempts described were successful in terms of producing useful predictions, but may serve as a starting point for further investigations.}},
  author       = {{Lundqvist, Joel}},
  language     = {{eng}},
  note         = {{Student Paper}},
  title        = {{Attempts at using Bayesian neural networksfor uncertainty assessments of temperature forecasts}},
  year         = {{2019}},
}