WeatherBench Probability: Un conjunto de datos de referencia para pronósticos meteorológicos probabilísticos a medio plazo junto con modelos base de aprendizaje profundo

WeatherBench es un conjunto de datos de referencia para pronósticos meteorológicos a medio plazo de geopotencial, temperatura y precipitación, que consiste en datos preprocesados, métricas de evaluación predefinidas y una serie de modelos base. WeatherBench Probability extiende esto a pronósticos probabilísticos al agregar un conjunto de métricas de verificación probabilística establecidas (puntaje de probabilidad continua clasificada, relación de habilidad de dispersión e histogramas de rangos) y un modelo base operativo de última generación utilizando el pronóstico de conjunto del ECWMF IFS. Además, probamos tres métodos diferentes de aprendizaje automático probabilístico: abandono de Monte Carlo, predicción paramétrica y predicción categórica, en la que la distribución de probabilidad se discretiza. Encontramos que el abandono de Monte Carlo simple subestima gravemente la incertidumbre. Los modelos paramétricos y categóricos producen pronósticos bastante fiables de calidad similar. Los modelos paramétricos tienen menos grados de libertad, mientras que el modelo categórico es más flexible a la hora de predecir distribuciones no gaussianas. Ninguno de los modelos puede igualar la habilidad del modelo operativo IFS. Esperamos que este conjunto de datos de referencia permita a otros investigadores evaluar sus enfoques probabilísticos.