利用机器学习改进美国西部的次季节预报
应用统计
2019-05-23 v3 计算机与社会
机器学习
摘要
美国西部的供水管理者依赖温度与降水的长期预报来应对干旱及其他湿性天气极端事件。为提高这些长期预报的准确性，美国垦务局与海洋大气管理局（NOAA）发起了次季节气候预报 rodeo，这是一项为期一年的实时预报挑战，参与者旨在熟练预测美国西部提前两到四周及四到六周的温度与降水。在此我们提出并评估了面向 rodeo 的机器学习方法，并发布我们的 SubseasonalRodeo 数据集，该数据集用于训练和评估我们的预报系统。我们的系统是两个回归模型的集成。第一个整合 SubseasonalRodeo 数据集中多样的气象观测与动力模式预报，并使用定制多任务模型选择流程剪除无关预测因子。第二个仅使用目标变量（温度或降水）的历史观测，并将多任务最近邻特征引入加权局部线性回归。每个模型单独均显著优于去偏的业务化美国气候预报系统（CFSv2），且我们的集成技巧在每一目标变量与预报时效上均超过最佳 rodeo 竞争者。此外，在 2011–2018 年间，我们的回归模型与去偏 CFSv2 的集成将去偏 CFSv2 的技巧提高了 40–50%（温度）与 129–169%（降水）。我们希望我们的数据集与方法均有助于推进次季节预报的技术水平。
引用
@article{arxiv.1809.07394,
title = {Improving Subseasonal Forecasting in the Western U.S. with Machine Learning},
author = {Jessica Hwang and Paulo Orenstein and Judah Cohen and Karl Pfeiffer and Lester Mackey},
journal= {arXiv preprint arXiv:1809.07394},
year = {2019}
}