The object-based method SAL (Structure, Amplitude and Location) was adapted for investigating the errors of forecasts of extreme 10-m wind gusts associated with winter storms in Germany. It has been applied to a statistically downscaled version of the 51 member ECMWF (European Centre for Medium Range Weather Forecasts) operational ensemble forecast. The horizontal resolution of both downscaled data and of the German weather service’s operational analysis data used for verification is 7 km. Forecast errors are subdivided in terms of storm intensity, location and extent. After identifying a set of storm events, objects of moderate and intense 10-m wind gusts were identified with a local percentile-based threshold (90th percentile for moderate and 98th percentile for intense gust objects). Depending on the intensity of the storm, the gust objects differ in terms of size, shape and intensity. The characteristics of the ensemble forecasts of 10-m wind gusts can basically be assessed in two different ways. Individual forecast members can be evaluated with respect to the location, intensity and extent of the gust field, and then address the ensemble characteristics by the score distributions. Alternatively, the gust fields’ location, intensity and extent can be evaluated by directly using the ensemble mean forecast instead of the individual members. The results of the identified set of storms clearly indicate a high case-to-case variability in the predictability of 10-m wind gusts objects, particularly when focusing on the structure of intense wind gust objects. It is found, that the gust fields’ location and overall intensity can be better estimated from the ensemble mean forecast, compared to the individual forecast members. From a forecaster’s perspective this means, that a storms’ location and intensity can be well estimated by considering the ensemble mean wind forecasts. Considering the structure of the gust objects, results are different. While for longer lead times, there also seems to be a benefit from applying ensemble averaging, at short lead times the ensemble mean forecast performs equally or worse than most of the individual forecast members. The amplitude error is often the smallest component of the three error types. The findings are particularly relevant when deriving warning information, by giving guidance to forecasters when interpreting ensemble forecasts for severe storms.

中文翻译：

---

基于对象的验证方法在冬季风暴期间10米阵风集合预报中的应用

基于对象的方法 SAL（结构、幅度和位置）适用于调查与德国冬季风暴相关的 10 米极端阵风的预测误差。它已应用于 51 个成员 ECMWF（欧洲中期天气预报中心）业务集合预报的统计缩小版本。用于验证的缩减数据和德国气象服务业务分析数据的水平分辨率均为 7 公里。预测误差根据风暴强度、位置和范围进行细分。在识别出一组风暴事件后，中度和强烈 10 米阵风的物体被识别为基于局部百分位的阈值（中度和强阵风物体的第 90 个百分点和第 98 个百分点）。根据风暴的强度，阵风天体的大小、形状和强度各不相同。10米阵风集合预报的特征基本上可以用两种不同的方式进行评估。可以根据阵风场的位置、强度和范围对单个预报成员进行评估，然后通过分数分布来解决集合特征。或者，阵风场的位置、强度和范围可以通过直接使用集合平均预测而不是单个成员来评估。确定的风暴组的结果清楚地表明，10 米阵风天体的可预测性在不同情况下存在很大差异，尤其是在关注强风阵风天体的结构时。找到了，与单个预测成员相比，可以从集合平均预测中更好地估计阵风场的位置和整体强度。从预报员的角度来看，这意味着可以通过考虑集合平均风预报来很好地估计风暴的位置和强度。考虑阵风天体的结构，结果是不同的。虽然对于较长的提前期，应用集合平均似乎也有好处，但在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的分量。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。与个别预测成员相比。从预报员的角度来看，这意味着可以通过考虑集合平均风预报来很好地估计风暴的位置和强度。考虑阵风天体的结构，结果是不同的。虽然对于较长的提前期，应用集合平均似乎也有好处，但在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的组成部分。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。与个别预测成员相比。从预报员的角度来看，这意味着可以通过考虑集合平均风预报来很好地估计风暴的位置和强度。考虑阵风天体的结构，结果是不同的。虽然对于较长的提前期，应用集合平均似乎也有好处，但在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的组成部分。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。通过考虑集合平均风预测，可以很好地估计风暴的位置和强度。考虑阵风天体的结构，结果是不同的。虽然对于较长的提前期，应用集合平均似乎也有好处，但在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的组成部分。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。通过考虑集合平均风预测，可以很好地估计风暴的位置和强度。考虑阵风天体的结构，结果是不同的。虽然对于较长的提前期，应用集合平均似乎也有好处，但在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的分量。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的组成部分。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。在较短的提前期，集合平均预测的表现与大多数个体预测成员相同或更差。幅度误差通常是三种误差类型中最小的组成部分。通过在解释严重风暴的集合预报时为预报员提供指导，这些发现在获取预警信息时尤其重要。