통계적 사후 처리(Statistical post-processing)는 다양한 기상 변수의 앙상블 예보(Ensemble forecast)를 개선하는 데 효과적인 도구임이 입증되었습니다. 사례 연구에 따르면, 사후 처리는 예보 기술을 나타내는 적절한 점수 규칙(Proper scoring rule)을 최적화하는 동시에, 앙상블의 전형적인 과소 분산(Underdispersive) 및 잠재적 편향(Biased) 동작을 교정할 수 있습니다. 이러한 긍정적인 효과의 대가는 일반적으로 선명도(Sharpness)의 저하로 나타납니다. 즉, 특히 단기 예보(Shorter lead times)에서 중앙 예측 구간(Central prediction intervals)의 너비와 예측의 불확실성이 증가합니다. 본 연구는 네트워크의 손실 함수(Loss function)를 페널티 항(Penalty term)으로 확장함으로써, 신경망 기반 매개변수 사후 처리(Neural network-based parametric post-processing) 방법에서 발생하는 이러한 현상의 정도를 줄이는 것을 목표로 합니다. 우리는 EUPPBench 벤치마크 데이터셋에서 다운로드하여 종관 관측(Synoptic observations)을 통해 검증된 유럽 중기 예보 센터(European Centre for Medium-Range Weather Forecasts)의 2m 기온 앙상블 예보를 대상으로 제안된 기술의 효과를 입증합니다. 여기서 예측 분포(Predictive distribution)는 가우시안(Gaussian)이며, 손실 함수로 연속 순위 확률 점수(Continuous Ranked Probability Score, CRPS)를 사용합니다. 사례 연구 결과, 페널티 항 없이 계산된 예측 분포의 너비와 비교했을 때 명목 중앙 예측 구간(Nominal central prediction interval)의 너비가 실질적으로 상대적으로 감소($8.2%$-$12.5%$)함을 확인하였으며, 확률 예보의 평균 CRPS 및 예측 평균의 RMSE(Root Mean Square Error)에는 악화가 없음을 확인하였습니다.