Ensemblevorhersagen aus einem numerischen Wettermodell (NWP) sind fehlerbehaftet, können aber mit statistischen Methoden auf Basis vergangener Werte korrigiert und kalibriert werden. Ziel dieser Arbeit ist die Vorhersagegüte für beliebige Orte in Niedersachsen und Bremen für zwei meteorologische Parameter zu verbessern. Für die Temperatur wird das statistisches Modell Standardized Anomaly Model Output Statistics (SAMOS) von Dabernig et al. (2017b) verwendet. Für die relative Luftfeuchte wird SAMOS um ein zensiertes Regressionsmodell erweitert. Ein Generalized Additive Model for Location, Scale and Shape (GAMLSS) wird dazu verwendet lokale und saisonale Effekte in den Klimatologien abzubilden. Diese sind auch für Orte ohne Beobachtungen gültig und feiner aufgelöst (90 × 90 m 2 ) als der ECMWF direct Model Output (DMO). Messwerte von 47 Stationen und der +18 UTC Zeitschritt, des um 00 UTC initialisierten ECMWF-Modells, lagen von 2010 bis 2016 vor. Die Ergebnisse der statistischen Modelle wurden zehnfach kreuzvalidiert und die Vorhersagegüte wurde mithilfe von Mean Absolut Error (MAE) und Continuous Ranked Probability Score (CRPS) ausgewertet.
Im Vergleich mit dem DMO werden beim CRPS-Skillscore im Median um mindestens 15% bessere Vorhersagen für Temperatur und relative Luftfeuchte erzielt. An den Messstationen wurde die größte Verbesserung mit einem lokal gültigen SAMOS -Modell, welches nur die jahreszeitliche Variation berücksichtigt, erzielt. Der CRPS-Skillscore verbessert sich im Median gegenüber der Ensemble Model Output Statistics (EMOS) um rund 4% bei der Temperatur und um rund 5.5% bei der relativen Luftfeuchte.
Wird nur ein SAMOS-Modell für alle Stationen bzw. für beliebige Orte verwendet, so werden weitere Effekte berücksichtigt. Die Miteinbeziehung der Höhe über MSL verbessert die Vorhersagegüte beider meteorologischer Parameter. Der Abstand zur Küstenlinie als weiterer Effekt brachte im Median keine Verbesserung, bei der Temperatur sogar eine Verschlechterung der Vorhersagegüte. Bei der relativen Luftfeuchte verbesserte sich die Schärfe der Verteilung. Im Median konnten an allen Messstationen, wie auch an beliebigen Orten, ohne vergangene Beobachtungen mindestens dieselbe Vorhersagegüte wie bei EMOS als Referenz erreicht werden. An den Stationen betrug die Verbesserung beim MAE-Skillscore der Temperatur 3% und der relativen Luftfeuchte 0.5%. Für den CRPS-Skillscore waren die Verbesserungen größer und betrugen 3.5% sowie 2%. An beliebigen Orten verbesserten sich der Median des MAE-Skillscores der Temperatur sowie des CRPS-Skillscores für Temperatur und relative Luftfeuchte um 2%.