非洲北部热带地区 24 小时降水概率预报：基于物理模型与数据驱动方法的比较
大气与海洋物理
2024-01-09 v1 应用统计
摘要
数值天气预报（NWP）模型难以准确预测热带降水的发生与降水量，这需要替代方法。例如，已有研究表明，针对 24 小时降水发生率的相当简单的纯数据驱动逻辑回归模型，在西非夏季季风区的表现优于气候学预报和 NWP 预报。然而，由于降水的非高斯特性，更复杂的基于神经网络的方法仍发展不足。在本研究中，我们开发、应用并评估了一种新颖的两阶段方法：我们在网格化降雨数据上训练一个 U-Net 卷积神经网络（CNN）模型以获得确定性预报，然后应用最近开发的非参数化 Easy Uncertainty Quantification (EasyUQ) 方法将其转化为概率预报。我们评估了 CNN+EasyUQ 在 2011 至 2019 年间对非洲北部热带地区提前一天的 24 小时累计降水预报的表现，并以 Integrated Multi-satellitE Retrievals for GPM (IMERG) 数据作为真值。在最全面的评估中，我们将 CNN+EasyUQ 与最先进的基于物理和数据驱动的方法进行了比较，如月度概率气候学、来自欧洲中期天气预报中心（ECMWF）的原始和后处理集合预报，以及使用来自 IMERG 和 ERA5 再分析数据的多达 25 个预测变量的传统统计方法。总体而言，统计方法的表现与后处理的 ECMWF 集合预报大致相当。然而，CNN+EasyUQ 方法在降水发生和降水量两方面均明显优于所有竞争对手。融合 CNN+EasyUQ 与基于物理预报的混合方法显示出进一步的轻微改善。因此，CNN+EasyUQ 方法很可能改善热带地区甚至更广范围的操作性降水概率预报。
引用
@article{arxiv.2401.03746,
title = {Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa},
author = {Eva-Maria Walz and Peter Knippertz and Andreas H. Fink and Gregor Köhler and Tilmann Gneiting},
journal= {arXiv preprint arXiv:2401.03746},
year = {2024}
}