从机器学习天气模型获得的全球季节性预测：基于再分析数据的训练
大气与海洋物理
2025-04-01 v1
摘要
在观测大气条件下训练的机器学习天气模型可在短至中期（1-14天）预报时期望于传统基于物理的模型。本文采用在6小时大气演化步骤上进行训练且可在长期预报期间保持稳定的机器学习天气模型ACE2，从季节性预测角度进行评估。将沉积的海表温度（SST）和海冰异常值置于每年11月1日的中心，我们对1993/1994至2015/2016年的冬季预测进行滞后ensemble初始化。整个23年期间，预测可预测性模式与主要基于物理的模型高度相似。ACE2模型以0.47（p=0.02）的相关得分预测北大西洋振荡（NAO），并呈现真实的全球技能分布和ensemble扩散。意外地，ACE2显示出类似基于物理的模型所见的信噪比误差，即使在预测自身时也优于预测现实世界。在考察2009/2010年冬季预测时，发现ACE2在捕捉超出训练数据的极端季节条件方面可能存在局限。尽管如此，本研究表明机器学习天气模型能够产生高质量的全球季节性预测，标志着人类对近期气候预测理解、开发和生成将进入新时代。
引用
@article{arxiv.2503.23953,
title = {Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data},
author = {Chris Kent and Adam A. Scaife and Nick J. Dunstone and Doug Smith and Steven C. Hardiman and Tom Dunstan and Oliver Watt-Meyer},
journal= {arXiv preprint arXiv:2503.23953},
year = {2025}
}
备注
17 pages, 4 figures