Automatisierte Probabilistische (Süd-)föhnvorhersage mittels statistischem Postprocessing Reto Stauffer und Georg J. Mayr [email protected]
Automatisierte Probabilistische(Süd-)föhnvorhersagemittels statistischem Postprocessing
Reto Stauffer und Georg J. Mayr
Einleitung
Bisherige Ansätze:
• Widmer (1966), Courvoisier und Gutermann (1971),lineare Regression
• Sprenger et al. (2017), Adaptive Boosting mit COSMOAnalyse, Nowcasting
• Zweifel (2016), Postprocessing mit logistischerRegression, Vorhersage +15/+39 Altdorf/Piotta
Unsere Studie:
• Angelehnt an Zweifel (2016)
• Allgemeinere Formulierng
• Weitere Standorte
• Längerer Vorhersagehorizont
Sitzung der AG Föhn, Innsbruck, 27. April 2018 1
Einleitung
Bisherige Ansätze:
• Widmer (1966), Courvoisier und Gutermann (1971),lineare Regression
• Sprenger et al. (2017), Adaptive Boosting mit COSMOAnalyse, Nowcasting
• Zweifel (2016), Postprocessing mit logistischerRegression, Vorhersage +15/+39 Altdorf/Piotta
Unsere Studie:
• Angelehnt an Zweifel (2016)
• Allgemeinere Formulierng
• Weitere Standorte
• Längerer Vorhersagehorizont
Sitzung der AG Föhn, Innsbruck, 27. April 2018 1
Einleitung
Bisherige Ansätze:
• Widmer (1966), Courvoisier und Gutermann (1971),lineare Regression
• Sprenger et al. (2017), Adaptive Boosting mit COSMOAnalyse, Nowcasting
• Zweifel (2016), Postprocessing mit logistischerRegression, Vorhersage +15/+39 Altdorf/Piotta
Unsere Studie:
• Angelehnt an Zweifel (2016)
• Allgemeinere Formulierng
• Weitere Standorte
• Längerer Vorhersagehorizont
Sitzung der AG Föhn, Innsbruck, 27. April 2018 1
Einleitung
Bisherige Ansätze:
• Widmer (1966), Courvoisier und Gutermann (1971),lineare Regression
• Sprenger et al. (2017), Adaptive Boosting mit COSMOAnalyse, Nowcasting
• Zweifel (2016), Postprocessing mit logistischerRegression, Vorhersage +15/+39 Altdorf/Piotta
Unsere Studie:
• Angelehnt an Zweifel (2016)
• Allgemeinere Formulierng
• Weitere Standorte
• Längerer Vorhersagehorizont
Sitzung der AG Föhn, Innsbruck, 27. April 2018 1
Einleitung
Ziel der Studie:• Vollautomatische probabilistische (Süd-)föhnvorhersage• 3-stündig bis 6 Tage in die Zukunft• Einfach adaptierbar auf neue Standorte
6 8 10 12 14 16
4445
4647
4849
50
Übersichtskarte
0
1000
2000
3000
4000
Länge
Bre
ite ●●
●
●
●
InnsbruckEllboegen
Altdorf
Montana
Mariazell
Sitzung der AG Föhn, Innsbruck, 27. April 2018 2
Einleitung
Ziel der Studie:• Vollautomatische probabilistische (Süd-)föhnvorhersage• 3-stündig bis 6 Tage in die Zukunft• Einfach adaptierbar auf neue Standorte
6 8 10 12 14 16
4445
4647
4849
50
Übersichtskarte
0
1000
2000
3000
4000
Länge
Bre
ite ●●
●
●
●
InnsbruckEllboegen
Altdorf
Montana
Mariazell
Sitzung der AG Föhn, Innsbruck, 27. April 2018 2
Datengrundlage
Beobachtungsdaten:
• Südföhnklassifikation mittels Gaussian Mixture-Model
• Aggregation auf 3 h Intervalle (±1.5 h)
• Event: mindestens 1/3 Südföhn diagnostiziert
Standort π̄3h
Montana 14.8 %
Altdorf 7.3 %
Ellbögen 20.1 %
Innsbruck UNI 4.5 %
Mariazell 16.0 %
Sitzung der AG Föhn, Innsbruck, 27. April 2018 3
Datengrundlage
Beobachtungsdaten:
• Südföhnklassifikation mittels Gaussian Mixture-Model
• Aggregation auf 3 h Intervalle (±1.5 h)
• Event: mindestens 1/3 Südföhn diagnostiziert
Standort π̄3h
Montana 14.8 %
Altdorf 7.3 %
Ellbögen 20.1 %
Innsbruck UNI 4.5 %
Mariazell 16.0 %
Sitzung der AG Föhn, Innsbruck, 27. April 2018 3
Datengrundlage
Modellvorhersagen:
• ECMWF HRES, 0000 UTC Lauf bis +6 d
• 6 Jahre (2012, . . . , 2017)
• Direkte Grössen am Stationsstandort
• Abgeleitete Grössen:Stabilität, Schichtdicken, Scherung, . . .
• Zeitliche Gradienten (-3 h/0 h/+3 h)
• Räumliche Gradienten sowieMittelwerte/Minima/Maxima Süd/Nord, . . .
Sitzung der AG Föhn, Innsbruck, 27. April 2018 4
Datengrundlage
Modellvorhersagen:
• ECMWF HRES, 0000 UTC Lauf bis +6 d
• 6 Jahre (2012, . . . , 2017)
• Direkte Grössen am Stationsstandort
• Abgeleitete Grössen:Stabilität, Schichtdicken, Scherung, . . .
• Zeitliche Gradienten (-3 h/0 h/+3 h)
• Räumliche Gradienten sowieMittelwerte/Minima/Maxima Süd/Nord, . . .
Sitzung der AG Föhn, Innsbruck, 27. April 2018 4
Datengrundlage
Modellvorhersagen:
• ECMWF HRES, 0000 UTC Lauf bis +6 d
• 6 Jahre (2012, . . . , 2017)
• Direkte Grössen am Stationsstandort
• Abgeleitete Grössen:Stabilität, Schichtdicken, Scherung, . . .
• Zeitliche Gradienten (-3 h/0 h/+3 h)
• Räumliche Gradienten sowieMittelwerte/Minima/Maxima Süd/Nord, . . .
Sitzung der AG Föhn, Innsbruck, 27. April 2018 4
Datengrundlage
6 8 10 12 14 16
4445
4647
4849
50Übersichtskarte
0
1000
2000
3000
4000
Länge
Bre
ite ●●
●
●
●
InnsbruckEllboegen
Altdorf
Montana
Mariazell
⇒ Insgesamt >400 Kovariablen.
Sitzung der AG Föhn, Innsbruck, 27. April 2018 5
Datengrundlage
6 8 10 12 14 16
4445
4647
4849
50Übersichtskarte
0
1000
2000
3000
4000
Länge
Bre
ite ●●
●
●
●
●
●
●
●
●
●
●
●
N
NN
S
SS
NW
NE
SE
SW
C
InnsbruckEllboegen
Altdorf
Montana
Mariazell
⇒ Insgesamt >400 Kovariablen.
Sitzung der AG Föhn, Innsbruck, 27. April 2018 5
Datengrundlage
6 8 10 12 14 16
4445
4647
4849
50Übersichtskarte
0
1000
2000
3000
4000
Länge
Bre
ite
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
N
NN
S
SS
NW
NE
SE
SW
C
InnsbruckEllboegen
Altdorf
Montana
Mariazell
⇒ Insgesamt >400 Kovariablen.
Sitzung der AG Föhn, Innsbruck, 27. April 2018 5
Methodik
Logistische Regression:
logit(π) = β0 + β1x1 + · · ·+ βPxP (1)
Automatische Variablenselektion
• Lasso
• Gradient Boosting
• Stability Selection
Sitzung der AG Föhn, Innsbruck, 27. April 2018 6
Methodik
Logistische Regression:
logit(π) = β0 + β1x1 + · · ·+ βPxP (1)
Automatische Variablenselektion
• Lasso
• Gradient Boosting
• Stability Selection
Sitzung der AG Föhn, Innsbruck, 27. April 2018 6
Methodik
Logistische Regression:
logit(π) = β0 + β1x1 + · · ·+ βPxP (1)
Automatische Variablenselektion
• Lasso
• Gradient Boosting
• Stability Selection
Sitzung der AG Föhn, Innsbruck, 27. April 2018 6
Variablenselektion
Lasso SS60 − Ellboegen
000
006
012
018
024
030
036
042
048
054
060
066
072
078
084
090
096
102
108
114
120
126
132
138
144
C.pv850difftheta500_850_SN
C.w850C.ff850
C.v1000_p0hm3hC.mgws_p3hp0h
C.v1000_p3hm3hdifflccmean_SN
difftheta850_SENWC.v10
difftheta925_SNdifftheta500_850_SENW
C.mgws_p0hm3hC.mgwsC.ff10m
diffmsl_SNC.fg10C.nsssC.v100
diffmsl_SENW
1110161114141516193017282943284946578091
Gradient Bosting SS60 − Ellboegen
000
006
012
018
024
030
036
042
048
054
060
066
072
078
084
090
096
102
108
114
120
126
132
138
144
713111615151615251533293040604268709994
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Variablenselektion
Lasso SS60 − Altdorf
000
006
012
018
024
030
036
042
048
054
060
066
072
078
084
090
096
102
108
114
120
126
132
138
144
C.smlt_p3hp0hC.z1000
difftheta700_850_CNC.v1000_p3hm3h
C.d700C.u100C.sshf
C.capediffmsl_SWNE
C.ff850diffmsl_CN
C.blhdifftheta925_CNN
C.w850difftheta925_CN
C.fg10difftheta925_SWNE
C.v100C.d850C.nsss
46699117717014171829234256546793
Gradient Bosting SS60 − Altdorf
000
006
012
018
024
030
036
042
048
054
060
066
072
078
084
090
096
102
108
114
120
126
132
138
144
8797971113133019253127335455618397
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Resultate
Brier Score
BS =1
N
N∑i=1
(πi − oi
)2(2)
Probability of Detection
POD = P(πi ≥ 0.5 | yi = 1
)(3)
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Resultate
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
Brier Score
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Resultate
0.0
0.2
0.4
0.6
0.8
1.0
Probability of Detection
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Zusammenfassend
Methodisch:
• Vollautomatisches Verfahren
• Gute Performance mit relativ simplen GLMs
• Gradient Boosting > Lasso (Nboost > Nlasso)• Stability Selection:
• sehr effizient• führt zu schlanken Modellen mit guter Performance
Performance:
• Skill bis Tag 6
• POD Stationsabhängig bis 85 % auf Tag 1
Erweiterungen:
• ECMWF HRES 1-stündige Vorhersagen
• Erweiterung auf ECMWF ENS
Sitzung der AG Föhn, Innsbruck, 27. April 2018 12
Zusammenfassend
Methodisch:
• Vollautomatisches Verfahren
• Gute Performance mit relativ simplen GLMs
• Gradient Boosting > Lasso (Nboost > Nlasso)• Stability Selection:
• sehr effizient• führt zu schlanken Modellen mit guter Performance
Performance:
• Skill bis Tag 6
• POD Stationsabhängig bis 85 % auf Tag 1
Erweiterungen:
• ECMWF HRES 1-stündige Vorhersagen
• Erweiterung auf ECMWF ENS
Sitzung der AG Föhn, Innsbruck, 27. April 2018 12
Zusammenfassend
Methodisch:
• Vollautomatisches Verfahren
• Gute Performance mit relativ simplen GLMs
• Gradient Boosting > Lasso (Nboost > Nlasso)• Stability Selection:
• sehr effizient• führt zu schlanken Modellen mit guter Performance
Performance:
• Skill bis Tag 6
• POD Stationsabhängig bis 85 % auf Tag 1
Erweiterungen:
• ECMWF HRES 1-stündige Vorhersagen
• Erweiterung auf ECMWF ENS
Sitzung der AG Föhn, Innsbruck, 27. April 2018 12
Zusammenfassend
Methodisch:
• Vollautomatisches Verfahren
• Gute Performance mit relativ simplen GLMs
• Gradient Boosting > Lasso (Nboost > Nlasso)• Stability Selection:
• sehr effizient• führt zu schlanken Modellen mit guter Performance
Performance:
• Skill bis Tag 6
• POD Stationsabhängig bis 85 % auf Tag 1
Erweiterungen:
• ECMWF HRES 1-stündige Vorhersagen
• Erweiterung auf ECMWF ENS
Sitzung der AG Föhn, Innsbruck, 27. April 2018 12
Hovmøller Diagramme
Mariazell
52515049484746454443424140393837363534333231302928272625242322212019181716151413121110090807060504030201
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
00U
TC
03U
TC
06U
TC
09U
TC
12U
TC
15U
TC
18U
TC
21U
TC
Montana
00U
TC
03U
TC
06U
TC
09U
TC
12U
TC
15U
TC
18U
TC
21U
TC
Altdorf
00U
TC
03U
TC
06U
TC
09U
TC
12U
TC
15U
TC
18U
TC
21U
TC
Ellboegen
00U
TC
03U
TC
06U
TC
09U
TC
12U
TC
15U
TC
18U
TC
21U
TC
Innsbruck
52515049484746454443424140393837363534333231302928272625242322212019181716151413121110090807060504030201
00U
TC
03U
TC
06U
TC
09U
TC
12U
TC
15U
TC
18U
TC
21U
TC
0.0
0.1
0.2
0.3
0.4
0.5
Em
piris
che
Wah
rsch
einl
ichk
eit
Sitzung der AG Föhn, Innsbruck, 27. April 2018 1
Scores
0.80
0.85
0.90
0.95
1.00
Percent Correct
PC
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 2
Scores
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
Brier Score
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 2
Scores
0.0
0.2
0.4
0.6
0.8
1.0
Probability of Detection
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 2
Optimierung & Variablenselektion
Elastic Net (Lasso):
β̂ = argmaxβ∈R
(1
N
N∑i=1
{yi · η − log(1 + exp(η))
}− λ · ||β||1
)(2)
Gradient boosting:
1 Start mit β∗ = 0
2 Berechne ∂∂η l(β
∗)
3 Update β∗p = β∗p + βp ∗ ν mit stärkstem Beitrag zu l(. . . )
4 Wiederhole 2 bis Abbruchkriterium erfüllt
Sitzung der AG Föhn, Innsbruck, 27. April 2018 3
Optimierung & Variablenselektion
0 50 100 150
−5
05
10
L1 Norm
Koe
ffizi
ent
0 179 207 219Lasso−Pfad
0 500 1000 1500
0.0
0.5
1.0
1.5
Iteration
Koe
ffizi
ent
Boosting−Pfad
• Optimieren der Hyperparameter mittels CV
• Lasso/Boosting basierte Stability Selection
Sitzung der AG Föhn, Innsbruck, 27. April 2018 4
Stability Selection
1 Zufälliges ziehen von50 % desTrainingsdatensatzes
2 Optimierung bis qKovariablen gewähltwurden
3 Merken der gewähltenKovariablen
4 Wiederhole Schritt 1 Bmal
difflccmean_SN
C.w850_p3hm3h
C.w850
C.v10_p3hm3h
C.v10
C.w850_p0hm3h
C.pv925
C.r925_p3hp0h
C.pv1000
C.mgws
C.fg10
diffmsl_SN
C.z1000
C.blh
difftheta500_850_SENW
difftheta925_SN
C.blh_p3hm3h
C.v1000_p3hm3h
C.v100
diffmsl_SENW
0 20 40 60 80 100
Stability Selection, Boostig−Basiert
Sitzung der AG Föhn, Innsbruck, 27. April 2018 5
MethodenvergleichMontana
lasso boosted
cv 80 60 cv 80 60
−15
−10
−5
05
1015
Brie
r S
kill
Sco
re [%
]
Altdorf
lasso boosted
cv 80 60 cv 80 60
Ellboegen
lasso boosted
cv 80 60 cv 80 60
Innsbruck
lasso boosted
cv 80 60 cv 80 60
Mariazell
lasso boosted
cv 80 60 cv 80 60
−15
−10
−5
05
1015
BS =1
N
N∑i=1
(πi − oi
)2, BSS = 1− BSfcst
BSref(3)
Vergleich verschiedener Methoden (über die Jahre 2012-2017,alle Vorhersagezeitschritte).
Sitzung der AG Föhn, Innsbruck, 27. April 2018 6
Fehlermasse/Score Plots
0.80
0.85
0.90
0.95
1.00
Percent Correct
PC
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Fehlermasse/Score Plots
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
Brier Score
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Fehlermasse/Score Plots
0.0
0.2
0.4
0.6
0.8
1.0
Probability of Detection
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Fehlermasse/Score Plots
0.00
0.02
0.04
0.06
0.08
0.10
Probability of False Detection
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Fehlermasse/Score Plots
0.0
0.1
0.2
0.3
0.4
Ignorance
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Fehlermasse/Score Plots
0.0
0.2
0.4
0.6
0.8
1.0
False Alarm Ratio
PO
D
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
AltdorfEllboegenInnsbruckMariazellMontana
Sitzung der AG Föhn, Innsbruck, 27. April 2018 7
Scores im Bezug auf Klimatologie: BS
0.02
0.04
0.06
0.08
Brier Score Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Scores im Bezug auf Klimatologie: BS
0.05
0.10
0.15
Brier Score Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Scores im Bezug auf Klimatologie: BS
0.00
0.02
0.04
0.06
0.08
0.10
Brier Score Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Scores im Bezug auf Klimatologie: BS
0.05
0.10
0.15
0.20
Brier Score Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Scores im Bezug auf Klimatologie: BS
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
Brier Score Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 8
Scores im Bezug auf Klimatologie: AUC
0.6
0.7
0.8
0.9
Area under teh Curve Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 9
Scores im Bezug auf Klimatologie: AUC
0.6
0.7
0.8
0.9
Area under teh Curve Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 9
Scores im Bezug auf Klimatologie: AUC
0.5
0.6
0.7
0.8
0.9
1.0
Area under teh Curve Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 9
Scores im Bezug auf Klimatologie: AUC
0.5
0.6
0.7
0.8
0.9
1.0
Area under teh Curve Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 9
Scores im Bezug auf Klimatologie: AUC
0.6
0.7
0.8
0.9
1.0
Area under teh Curve Montana, Clim vs. Boosted CV Model
BS
0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96 102 114 126 138Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6
Boosted CV Boosted SS60 Climatology
Sitzung der AG Föhn, Innsbruck, 27. April 2018 9