使用大规模深度学习天气预报模型集成进行次季节预报
大气与海洋物理
2021-12-10 v1 机器学习
摘要
我们提出了一种使用深度学习天气预报（DLWP）模型的集成预报系统，该系统以六小时时间分辨率递归预测关键大气变量。该模型在立方球网格上使用卷积神经网络（CNNs）生成全球预报。该方法计算高效，在单个 GPU 上仅需三分钟即可生成 320 个成员、1.4{\deg} 分辨率、为期六周的预报集合。集合离散度主要通过随机化 CNN 训练过程以创建一组 32 个具有略微不同学习权重的 DLWP 模型来实现。尽管我们的 DLWP 模型不预报降水，但其预报柱总水汽，并对飓风 Irma 给出了合理的 4.5 天确定性预报。除模拟中纬度天气系统外，其在一年自由运行模拟中自发生成热带气旋。在两年测试集上全球平均，集合平均 RMSE 相对气候态在两周后仍保持技巧，异常相关系数在六天内保持在 0.6 以上。我们的主要应用是提前期为二至六周的次季节到季节（S2S）预报。当前预报系统在 S2S 时间尺度预测一至两周平均天气型方面技巧很低。连续排序概率分数（CRPS）与排序概率技巧分数（RPSS）显示，在 4 周及 5–6 周提前期上，DLWP 集成在陆地上的表现仅略逊于欧洲中期天气预报中心（ECMWF）S2S 集成。在较短提前期上，ECMWF 集成表现优于 DLWP。
引用
@article{arxiv.2102.05107,
title = {Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models},
author = {Jonathan A. Weyn and Dale R. Durran and Rich Caruana and Nathaniel Cresswell-Clay},
journal= {arXiv preprint arXiv:2102.05107},
year = {2021}
}
备注
Submitted to Journal of Advances in Modeling Earth Systems