基于气候模型驱动与深度学习的季节预报方法
机器学习
2023-02-22 v1 人工智能
计算机视觉与模式识别
大气与海洋物理
摘要
理解季节气候条件对于更好地管理水、能源和农业等资源至关重要。近来，利用人工智能方法进行气候研究引起了极大兴趣。本文提出一种前沿深度学习模型（UNet++），由最先进的全球 CMIP6 模型训练，使用 ERA5 再分析数据集预报一个月后的全球气温。ERA5 数据集还用于微调以及验证集上的性能分析。采用三种不同设置（CMIP6；CMIP6 + 高程；CMIP6 + 高程 + ERA5 微调）分别与 UNet 和 UNet++ 算法结合，得到六个不同模型。每个模型使用了 14 种不同的序列与非序列时间设置。平均绝对误差（MAE）分析显示，采用“第3年第2月”时间情形的 CMIP6 加高程与 ERA5 微调 UNet++ 模型表现最佳，MAE 为 0.7。验证集上 ERA5 数据值与对应 AI 模型预测之间的回归分析显示斜率和 值接近 1，表明一致性非常好。该 AI 模型在 2016 至 2021 年间的预测显著优于 CMIP6 平均集合。两种模型对夏季月份的预测均比冬季月份更准确。
引用
@article{arxiv.2302.10480,
title = {Climate Model Driven Seasonal Forecasting Approach with Deep Learning},
author = {Alper Unal and Busra Asan and Ismail Sezen and Bugra Yesilkaynak and Yusuf Aydin and Mehmet Ilicak and Gozde Unal},
journal= {arXiv preprint arXiv:2302.10480},
year = {2023}
}
备注
This article is submitted to 12th International Conference on Climate Informatics 2023