一种概率深度学习方法从气候模拟大数据中学习,提供了在全球尺度上具有优势的季节预报技术和关键的气候模式诊断信息。
熟练的季节预报给社会各界带来益处。然而,目前的动态季节预报系统面临3个难题:
首先,我们可能从一个“错误”的地方开始:由于观测的覆盖范围有限,或者由于状态冲击问题,很难使模型的状态与预报开始时的观测相匹配。
其次,我们的路径可能是“错误”的:由于无法对未解决的气候过程进行很好地表述,预报模型不能完美地模拟气候状态的演化轨迹。
第三,我们可能没有尝试所有的可能性:使用有限的(~10个)预报集合成员,我们可能无法对未来可能的气候状态进行足够的采样。
解决这些挑战需要巨大的观测、计算和智力成本,这大大减缓了我们更好地进行季节预报的进度。
针对这三个挑战,Pan等人[2022]开发了一个深度学习模型,该模型从气候模拟大数据中学习,用于季节预报。他们的条件生成预报(Conditional Generative Forecasting, CGF)方法应用深度生成建模技术提前一个季节对可能的气候状态进行采样,并采用迁移学习技术来解释数据生成的气候模型的制定差异。这些处理方法可以绕过上述动态预测中的障碍,提供一个自上而下的观点来研究复杂的气候模型如何编码季节性可预测信息。
季节预报中的三大障碍(a),以及为解决这三大障碍而开发的条件生成预测(CGF)方法(b)。
资料来源:Pan et al. [2022]
对全球降水和2米气温的季节预报实验表明,CGF方法与动态预报相比具有竞争力。使用这个CGF作为基准,作者揭示了预测分布抽样不足的影响,即限制了所考虑的动态预测系统的技能。此外,作者还介绍了利用CGF方法构建预报集合的不同策略,强调了利用多种气候模式的优势来实现有利的季节预报的潜力。以上内容英文原文发表于AGU Eos Editor's Highlights,中文翻译仅供参考。
点评编辑:
Jiwen Fan, Editor, Journal of Advances in Modeling Earth Systems
原文链接: https://eos.org/editor-highlights/learning-from-climate-simulations-for-global-seasonal-forecast
Text © 2022. AGU. CC BY-NC-ND 3.0
扫码访问原文
https://doi.org/10.1029/2021MS002766
Pan, B., Anderson, G. J., Goncalves, A., Lucas, D. D., Bonfils, C. J. W., & Lee, J. (2022). Improving seasonal forecast using probabilistic deep learning. Journal of Advances in Modeling Earth Systems , 14, e2021MS002766. https://doi.org/10.1029/2021MS002766
Journal of Advances in Modeling Earth Systems (JAMES) 是一本金色开放获取期刊 ,发表有助于了解地球物理系统 ,及其与生物、地质和化学系统结合的各种尺度的模型的开发与应用 的研究论文。
研究论文可以是纯技术方面的,如有助于建模的新的或改进的算法或新数据集;也可以是综合性的,如新的建模或模拟系统的集成;或是概念性的,如为建模或分析制定标准的新框架和新构想。
2021年影响因子: 8.469
5年影响因子: 7.008
从投稿到一审意见的中位数时间:71天
点击下方“阅读原文”访问Journal of Advances in Modeling Earth Systems 期刊网站,阅读更多精彩内容。
声明: 欢迎转载、转发本号原创内容,可留言区留言或者后台联系小编( 微信:gavin7675 )进行授权。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及作品内容、版权和其他问题,请后台联系小编处理。
欢迎加入气象学家交流群
请备注: 姓名/昵称-单位/学校-研究方向
❤️ 「气象学家 」 点赞