超越集合平均：利用气候模式集合进行次季节预报

在次季节时间尺度上产出温度、降水等关键气候变量的高质量预报，长期以来一直是业务预报中的空白。本研究探索了将机器学习（ML）模型作为次季节预报后处理工具的应用。将滞后数值集合预报（即成员具有不同初始化日期的集合）以及包括相对湿度、海平面气压和位势高度在内的观测数据，纳入多种 ML 方法中，以提前两周预测美国大陆的月平均降水和两米温度。针对回归、分位数回归和三分位分类任务，我们考虑使用线性模型、随机森林、卷积神经网络以及堆叠模型（一种基于各独立 ML 模型预测的多模型方法）。与以往常仅使用集合平均的 ML 方法不同，我们利用集合预报中蕴含的信息来提升预测精度。此外，我们研究了对规划与减缓工作至关重要的极端事件预测。将集合成员视为空间预报的集合，我们探索了利用空间信息的不同方法。不同方法间的权衡可通过模型堆叠来缓解。我们提出的模型优于气候态预报和集合平均等标准基线。此外，我们研究了特征重要性、使用完整集合或仅使用集合平均之间的权衡，以及考虑空间变异性的不同模式。