利用非线性模型提高欧洲亚季节风速预测的能力
机器学习
2025-09-03 v2 大气与海洋物理
摘要
亚季节风速预测为风力系统规划和运行提供了有价值的指导，但表面风速的预测技能在两周后显著下降。然而，大尺度变量在此时间尺度上具有更大的可预测性。本研究探索利用500 hPa地势高度（Z500）与表面风速之间非线性关系，以提高欧洲亚季节风速预测技能的潜力。我们提出的框架使用多元线性回归（MLR）或卷积神经网络（CNN）对表面风速进行回归。基于ERA5再分析数据的评估表明，CNN因其非线性特性性能更佳。将这些模型应用于欧洲中期天气预报中心的亚季节预报后，各种验证指标均显示出非线性优势的存在。然而，这部分解释性来自于这些统计模型呈现低分散性，因为它们只能解释目标变量的部分方差。通过引入随机扰动来表示未解释信号的随机性有助于补偿这一问题。结果表明，扰动后的CNN在前几周的性能优于扰动后的MLR，而扰动后MLR的性能在两周后趋于扰动后CNN。本研究发现，引入随机扰动可解决这些统计模型不足扩散的问题，随预测预报时滞而变化，非线性带来的优势随之变化。
引用
@article{arxiv.2411.19077,
title = {Improving sub-seasonal wind-speed forecasts in Europe with a non-linear model},
author = {Ganglin Tian and Camille Le Coz and Anastase Alexandre Charantonis and Alexis Tantet and Naveen Goutham and Riwal Plougonven},
journal= {arXiv preprint arXiv:2411.19077},
year = {2025}
}