ChaosBench：用于次季节到季节气候预测的多通道、基于物理的基准
计算机视觉与模式识别
2024-11-22 v5 计算机与社会
摘要
在次季节到季节尺度上准确预测气候对于灾害准备和在气候变化中做出稳健决策至关重要。然而，超越天气时间尺度的预测具有挑战性，因为它处理的是除初始条件之外的问题，包括边界相互作用、蝴蝶效应以及我们内在缺乏物理理解。目前，现有基准的预测范围通常较短，最多15天，不包括广泛的操作基线，并且缺乏基于物理的约束以实现可解释性。因此，我们提出了ChaosBench，这是一个具有挑战性的基准，旨在将数据驱动天气模拟器的可预测范围扩展到S2S时间尺度。首先，ChaosBench包含的变量超出了典型的表面-大气ERA5，还包括海洋、冰和陆地再分析产品，这些产品跨越45年以上，以允许尊重边界条件的全地球系统模拟。除了确定性和概率性指标外，我们还提出了基于物理的指标，以确保考虑蝴蝶效应的物理一致集合。此外，我们评估了来自四个国家气象机构的多种基于物理的预测作为基线，与我们的数据驱动对应方法如ViT/ClimaX、PanguWeather、GraphCast和FourCastNetV2进行比较。总体而言，我们发现最初为天气尺度应用开发的方法在S2S任务上失败：它们的性能简单地崩溃为无技能的气候学。尽管如此，我们概述并演示了几种可以扩展现有天气模拟器可预测范围的策略，包括使用集合、稳健控制误差传播以及使用物理信息模型。我们的基准、数据集和说明可在https://leap-stc.github.io/ChaosBench获取。
引用
@article{arxiv.2402.00712,
title = {ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction},
author = {Juan Nathaniel and Yongquan Qu and Tung Nguyen and Sungduk Yu and Julius Busecke and Aditya Grover and Pierre Gentine},
journal= {arXiv preprint arXiv:2402.00712},
year = {2024}
}
备注
NeurIPS 2024 D&B Track (Oral)