DUNE：基于Deep UNet++的深度学习气候预测集成方法
机器学习
2024-08-13 v1 大气与海洋物理
摘要
依托ERA5月均长期数据记录的日益完善，深度学习架构为亚季节至季节（S2S）和年均气候预测提供了物理驱动日常数值天气预报的替代方案。本文引入一种新型基于Deep UNet++的集成（DUNE）神经网络结构，采用多编码器-解码器结构，包含残差模块。当从 prior 月或年初始化时，该架构成功生成了基于AI的全球月度、季节或年均T2m（2米气温）和SST（海表温度）预报。ERA5月均数据用于T2m（陆地）、SST（海洋）以及太阳辐射（大气层顶），作为40年每个月的训练输入。验证预报在额外两年内进行，随后进行五年预报评估以考虑自然年际变率。AI训练的推断预报权重以秒级速度生成预报，实现季节预报集成。呈现全球范围及特定区域的均方根误差（RMSE）、异常相关系数（ACC）和Heidke技能得分（HSS）统计数据。这些预报在所有领域均优于持久性、气候学和多变量线性回归。DUNE预报在美国表现出与NOAA运营月度和季节概率预测相当的统计准确性，但分辨率显著更高。与其他基于AI的日常预报相比，DUNE的RMSE和ACC误差统计表现更优。DUNE模型应用于集成数据同化周期，显示出与单一高分辨率模型相当的预报准确性，可能消除对外推数据集重新训练的需求。
引用
@article{arxiv.2408.06262,
title = {DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting},
author = {Pratik Shukla and Milton Halem},
journal= {arXiv preprint arXiv:2408.06262},
year = {2024}
}
备注
Excluding Appendix: 18 pages, 14 figures