Adaptive Bias Correction for Improved Subseasonal Forecasting

要約

季節未満の予測、つまり 2 ～ 6 週間先の気温と降水量を予測することは、効果的な水の割り当て、山火事の管理、干ばつや洪水の軽減に不可欠です。
最近の国際的な研究努力により、運用動力学モデルの亜季節能力は進歩しているが、動力学モデル内で大気力学や物理学を表現する際の頑固な誤差のせいで、気温と降水量の予測技術は依然として不十分である。
ここでは、これらの誤差に対処するために、最先端の動的予測と機械学習を使用した観測を組み合わせた適応バイアス補正 (ABC) 手法を導入します。
ヨーロッパ中期予報センター (ECMWF) の主要な季節限定モデルに適用すると、ABC は気温予測スキルを (ベースライン スキルの 0.18 ～ 0.25 に対して) 60 ～ 90%、降水量予測スキルを 40 向上させることを示します。
米国本土では -69% (基準スキルの 0.11 ～ 0.15 を上回る)。私たちはこれらのパフォーマンスの向上を実践的なワークフローと組み合わせて、ABC スキルの向上を説明し、特定の気候条件に基づいてより高いスキルの機会の窓を特定します。

要約(オリジナル)

Subseasonal forecasting — predicting temperature and precipitation 2 to 6 weeks ahead — is critical for effective water allocation, wildfire management, and drought and flood mitigation. Recent international research efforts have advanced the subseasonal capabilities of operational dynamical models, yet temperature and precipitation prediction skills remain poor, partly due to stubborn errors in representing atmospheric dynamics and physics inside dynamical models. Here, to counter these errors, we introduce an adaptive bias correction (ABC) method that combines state-of-the-art dynamical forecasts with observations using machine learning. We show that, when applied to the leading subseasonal model from the European Centre for Medium-Range Weather Forecasts (ECMWF), ABC improves temperature forecasting skill by 60-90% (over baseline skills of 0.18-0.25) and precipitation forecasting skill by 40-69% (over baseline skills of 0.11-0.15) in the contiguous U.S. We couple these performance improvements with a practical workflow to explain ABC skill gains and identify higher-skill windows of opportunity based on specific climate conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google