Interpolação espacial baseada em agrupamento de modelos de pós-processamento paramétricos

Resumo Desde o início do uso operacional de sistemas de previsão por conjunto, a previsão probabilística baseada em conjunto se tornou a abordagem mais avançada em previsão do tempo. No entanto, apesar do desenvolvimento persistente nas últimas três décadas, as previsões de conjunto ainda frequentemente sofrem com a falta de calibração e podem apresentar viés sistemático, o que requer alguma forma de pós-processamento estatístico. Hoje em dia, pode-se escolher entre uma grande variedade de abordagens de pós-processamento, onde métodos paramétricos fornecem distribuições preditivas completas da quantidade climática investigada. A estimativa de parâmetros nesses modelos é baseada em dados de treinamento que consistem em pares de previsões-observações passadas, assim, previsões pós-processadas geralmente estão disponíveis apenas naqueles locais onde os dados de treinamento são acessíveis. Propomos uma técnica geral de interpolação baseada em agrupamento para estender distribuições preditivas calibradas de estações de observação para qualquer localização no domínio do conjunto onde há previsões em mãos. Focando na técnica de pós-processamento de estatísticas de saída do modelo de conjunto (EMOS), em um estudo de caso baseado em previsões de velocidade do vento de 10 m do Centro Europeu para Previsão do Tempo a Médio Prazo, demonstramos o desempenho preditivo de várias versões do método sugerido e mostramos sua superioridade em relação aos modelos EMOS estimados e interpolados regionalmente, bem como às previsões brutas do conjunto.