Simulated precipitation fields with variance-consistent interpolation

Abstract

Gridded meteorological data are available for all of Norway as time series dating from 1961. A new way of interpolating precipitation in space from observed values is proposed. Based on the criteria that interpolated precipitation fields in space should be consistent with observed spatial statistics, such as spatial mean, variance and intermittency, spatial fields of precipitation are simulated from a gamma distribution with parameters determined from observed data, adjusted for intermittency. The simulated data are distributed in space, using the spatial pattern derived from kriging. The proposed method is compared to indicator kriging and to the current methodology used for producing gridded precipitation data. Cross-validation gave similar results for the three methods with respect to RMSE, temporal mean and standard deviation, whereas a comparison on estimated spatial variance showed that the new method has a near perfect agreement with observations. Indicator kriging underestimated the spatial variance by 60-80% and the current method produced a significant scatter in its estimates.Key words spatial rainfall; interpolation; spatial variance; intermittency; Norway Simulation de champs de précipitation par interpolation cohérente en termes de variance Résumé Des séries temporelles de données météorologiques maillées sont disponibles pour l'ensemble de la Norvège depuis 1961. Une nouvelle façon d'interpoler les champs de précipitations dans l'espace à partir des valeurs observées est proposée. Sur la base des critères selon lesquels les champs de précipitations interpolés dans l'espace devraient être compatibles avec les statistiques spatiales observées comme les moyennes, variances et intermittences spatiales, les champs de précipitations sont simulés selon une distribution gamma déterminée à partir de données observées, ajustées pour l'intermittence. Les données simulées sont distribuées dans l'espace à l'aide du patron spatial dérivé par krigeage. La méthode proposée est comparée à l'indicateur de krigeage et à la méthode actuellement utilisée pour produire des données de précipitations maillées. La validation croisée a donné des résultats similaires pour les trois méthodes, pour les valeurs de l'erreur quadratique moyenne, de la moyenne temporelle et de l'écart type, tandis que la comparaison sur la variance spatiale a montré que la nouvelle méthode donne un accord presque parfait avec les observations. L'indicateur de krigeage sous-estime la variance spatiale de 60-80% et la méthode actuelle produit une dispersion significative de ses estimations.

New gridded daily climatology of Finland: Permutation‐based uncertainty estimates and temporal trends in climate

“…A wide selection of statistical techniques for spatial prediction exist [Lam, 1983;Li and Heap, 2011], ranging from regression to complex machine learning and simulations, and have been applied in various environmental studies [Zimmerman et al, 1999;Antonić et al, 2001;Jeffrey et al, 2001;Chen et al, 2002;Skaugen and Andersen, 2010]. Kriging interpolation is an extensively used spatial prediction method [Matheron, 1963;Goovaerts, 1997] that combines regression and weighted averaging.…”

Comparison of linear and cubic spline methods of interpolating lake water column profiles

“…Most of these comparisons have focused on temporal interpolation (Amritkar and Kumar 1995;Baltazar and Claridge 2002;Claridge and Chen 2006) or spatial interpolation in two dimensions (Holdaway 1996;Eischeid et al 2000;Skaugen and Andersen 2010). These studies applied a multitude of different interpolation methods, and found that each one performed differently depending on the data set being considered.…”

Modeling the spatial distribution of snow water equivalent, taking into account changes in snow-covered area

“…The values for ν 0 and α 0 can be estimated from the observed spatial mean and standard deviation sampled from precipitation events. From analysis of 19year long time series of precipitation from various areas in Norway, the spatial mean, m , and standard deviation, s , of precipitation were found to follow a functional relationship of the type s = am (Skaugen and Andersen, 2010), where a and h are determined using nonlinear regression. Once a suitable choice of the mean of the unit is chosen, the corresponding spatial standard deviation, s , can be estimated from s = am h and ν 0 and α 0 can be determined using Eqn (2) below.…”