Nowadays, most of the major operational weather prediction facilities are making ensemble predictions and basing their forecasts on these. Forecast ensembles are generated from multiple runs of numerical weather prediction models: each with different initial boundary conditions or parametrizations of the model, they allow to account for both the initial conditions and the model uncertainty. In this thesis we introduce the D-vine copula based quantile regression, here for the first time applied to an ensemble forecast; we then compare it to the ensemble model output statistics (EMOS), an established univariate post-processing method. Finally, we introduce some criteria to create a deterministic regime switching between the EMOS and the D-vine quantile regression. All the models are tested on the ensemble forecasts of daily temperatures of the European center for medium-range weather forecasts and compared through the continuous rank probability score.     «

Nowadays, most of the major operational weather prediction facilities are making ensemble predictions and basing their forecasts on these. Forecast ensembles are generated from multiple runs of numerical weather prediction models: each with different initial boundary conditions or parametrizations of the model, they allow to account for both the initial conditions and the model uncertainty. In this thesis we introduce the D-vine copula based quantile regression, here for the first time applied...     »

Die meisten heutzutage vornehmlich eingesetzten Wettervorhersageeinrichtungen benutzen Ensemble Vorhersagen und begründen auf diesen ihre Prognosen. Vorhersage-Ensembles werden aus mehreren Läufen von numerischen Wettervorhersagemodellen generiert: jedes mit unterschiedlichen Rand- und Anfangsbedingungen sowie anderer Parametrisierung des Models wodurch sowohl Anfangsbedingungen als auch Modellunsicherheit adressiert werden. In dieser Arbeit stellen wir die auf D-Vine Copula basierende Quantil Regression vor, die hier erstmals auf Ensemble Vorhersagen angewandt wird; wir vergleichen sie anschließend mit der Ensemble Modell Output Statistik (EMOS), einer etablierten univariaten Nachbearbeitungsmethode. Schließlich stellen wir einige Kriterien vor, um ein deterministisches Regime zu erzeugen, welches zwischen EMOS und D-Vine Qunatil Regression wechselt. Alle betrachteten Modelle werden mit Ensemble Vorhersagen von täglichen Temperaturdaten des Europäischen Zentrums für mittelfristige Wettervorhersage getestet und über das kontinuierliche Wahrscheinlchkeitsranking verglichen. Diese Arbeit vergleicht die zwei Modelle und zeigt, dass EMOS bessere Ergebnisse für Daten mit 24 und 48 Stundenhorizont erzielt, dafür schlechter für 120 und 240 Stunden Vorhersagen funktioniert. Das deterministische Regimewechselmodell zielt auf eine Verbesserung des Modells auf Basis der Daten fr den 24 Stunden Prognosehorizont.     «

Die meisten heutzutage vornehmlich eingesetzten Wettervorhersageeinrichtungen benutzen Ensemble Vorhersagen und begründen auf diesen ihre Prognosen. Vorhersage-Ensembles werden aus mehreren Läufen von numerischen Wettervorhersagemodellen generiert: jedes mit unterschiedlichen Rand- und Anfangsbedingungen sowie anderer Parametrisierung des Models wodurch sowohl Anfangsbedingungen als auch Modellunsicherheit adressiert werden. In dieser Arbeit stellen wir die auf D-Vine Copula basierende Quantil R...     »