Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting

要約

気温や降水量などの主要な気候変数について、季節限定の時間スケールで高品質な予測を作成することは、運用予測において長い間ギャップとなってきました。
最近の研究では、機械学習 (ML) モデルを使用して亜季節予測 (SSF) を進歩させる有望な結果が示されていますが、いくつかの未解決の疑問が残っています。
まず、過去のいくつかのアプローチでは、物理ベースの予測のアンサンブルの平均をこれらのモデルの入力特徴として使用しています。
ただし、アンサンブル予測には、アンサンブル平均以外にも予測に役立つ情報が含まれています。
第 2 に、これまでの手法は平均的なパフォーマンスに重点を置いていましたが、計画と緩和の目的では極端な現象の予測の方がはるかに重要です。
第三に、気候予測は空間的に変化する予測の集合に対応しており、手法が異なれば、応答の空間的変動の説明も異なります。
異なるアプローチ間のトレードオフは、モデルのスタッキングによって軽減される可能性があります。
この論文では、物理ベースの予測 (アンサンブル予測) と、相対湿度、海面圧力、地質ポテンシャルの高さなどの観測データを使用して、2 週間の月間平均降水量と 2 メートルの気温を予測するために使用されるさまざまな ML 手法の適用について説明します。
米国本土全体への前進。
線形モデル、ランダム フォレスト、畳み込みニューラル ネットワーク、およびスタック モデルを使用した回帰、分位点回帰、および三分位分類タスクが考慮されます。
提案されたモデルは、履歴平均 (または分位数) やアンサンブル平均 (または分位数) などの一般的なベースラインを上回るパフォーマンスを示します。
この論文にはさらに、特徴の重要性、アンサンブル全体を使用するかアンサンブル平均のみを使用するかのトレードオフ、空間変動を考慮するさまざまなモードの調査も含まれています。

要約(オリジナル)

Producing high-quality forecasts of key climate variables such as temperature and precipitation on subseasonal time scales has long been a gap in operational forecasting. Recent studies have shown promising results using machine learning (ML) models to advance subseasonal forecasting (SSF), but several open questions remain. First, several past approaches use the average of an ensemble of physics-based forecasts as an input feature of these models. However, ensemble forecasts contain information that can aid prediction beyond only the ensemble mean. Second, past methods have focused on average performance, whereas forecasts of extreme events are far more important for planning and mitigation purposes. Third, climate forecasts correspond to a spatially-varying collection of forecasts, and different methods account for spatial variability in the response differently. Trade-offs between different approaches may be mitigated with model stacking. This paper describes the application of a variety of ML methods used to predict monthly average precipitation and two meter temperature using physics-based predictions (ensemble forecasts) and observational data such as relative humidity, pressure at sea level, or geopotential height, two weeks in advance for the whole continental United States. Regression, quantile regression, and tercile classification tasks using linear models, random forests, convolutional neural networks, and stacked models are considered. The proposed models outperform common baselines such as historical averages (or quantiles) and ensemble averages (or quantiles). This paper further includes an investigation of feature importance, trade-offs between using the full ensemble or only the ensemble average, and different modes of accounting for spatial variability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google