DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting

要約

高解像度再解析に基づく平均大気および気候フィールドの ERA5 月次平均長期データ記録が最近利用可能になったことを利用して、ディープラーニング アーキテクチャは、亜季節から季節（S2S）および季節ごとの物理ベースの毎日の数値天気予報の代替手段を提供します。
年間平均。
新しい Deep UNet++ ベース アンサンブル (DUNE) ニューラル アーキテクチャが導入され、残差ブロックを備えたマルチ エンコーダ/デコーダ構造が採用されています。
このアーキテクチャは、前月または前年から初期化されると、2 メートルの気温 (T2m) と海面水温 (SST) の世界初の AI ベースの月次、季節、または年平均予測を生成しました。
ERA5 の月平均データは、モデルをトレーニングするための 40 年間の各月の陸上の T2m、海洋の海面水温、および大気上層部の太陽放射の入力として使用されます。
検証予測はさらに 2 年間実行され、その後、自然な年次変動を考慮して 5 年間の予測評価が行われます。
AI でトレーニングされた推論予測重みにより数秒で予測が生成され、アンサンブル季節予測が可能になります。
二乗平均平方根誤差 (RMSE)、異常相関係数 (ACC)、およびハイドケ スキル スコア (HSS) の統計は、グローバルおよび特定の地域にわたって表示されます。
これらの予測は、すべての領域で永続性、気候学、および多重線形回帰を上回ります。
DUNE の予測は、NOAA の米国における運用上の月次および季節の確率的見通し予測と同等の統計的精度を示していますが、解像度は大幅に高くなります。
他の最近の AI ベースの日次予測の RMSE および ACC エラー統計も、DUNE ベースの予測の優れたパフォーマンスを示しています。
DUNE モデルをアンサンブル データ同化サイクルに適用すると、単一の高解像度モデルと同等の予測精度が示され、外挿されたデータセットでの再トレーニングの必要性がなくなる可能性があります。

要約(オリジナル)

Capitalizing on the recent availability of ERA5 monthly averaged long-term data records of mean atmospheric and climate fields based on high-resolution reanalysis, deep-learning architectures offer an alternative to physics-based daily numerical weather predictions for subseasonal to seasonal (S2S) and annual means. A novel Deep UNet++-based Ensemble (DUNE) neural architecture is introduced, employing multi-encoder-decoder structures with residual blocks. When initialized from a prior month or year, this architecture produced the first AI-based global monthly, seasonal, or annual mean forecast of 2-meter temperatures (T2m) and sea surface temperatures (SST). ERA5 monthly mean data is used as input for T2m over land, SST over oceans, and solar radiation at the top of the atmosphere for each month of 40 years to train the model. Validation forecasts are performed for an additional two years, followed by five years of forecast evaluations to account for natural annual variability. AI-trained inference forecast weights generate forecasts in seconds, enabling ensemble seasonal forecasts. Root Mean Squared Error (RMSE), Anomaly Correlation Coefficient (ACC), and Heidke Skill Score (HSS) statistics are presented globally and over specific regions. These forecasts outperform persistence, climatology, and multiple linear regression for all domains. DUNE forecasts demonstrate comparable statistical accuracy to NOAA’s operational monthly and seasonal probabilistic outlook forecasts over the US but at significantly higher resolutions. RMSE and ACC error statistics for other recent AI-based daily forecasts also show superior performance for DUNE-based forecasts. The DUNE model’s application to an ensemble data assimilation cycle shows comparable forecast accuracy with a single high-resolution model, potentially eliminating the need for retraining on extrapolated datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google