JAMES: 机器学习用于全球季节预报

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

论文原文

扫码访问原文

https://doi.org/10.1029/2021MS002766

引用

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

关于期刊