AI reconstruction of European weather from the Euro-Atlantic regimes

要約

ユーロ大西洋気象体制（WR）インデックスに基づいて、ヨーロッパの温度と降水量の毎月の平均異常を再構築するように設計された非線形AIモデルを提示します。
WRは、ヨーロッパの天候にかなりの影響を与える大気循環の再発、準定常、および持続的な状態を表しているため、季節ごとの予測に季節ごとの機会を提供します。
多くの研究では、ヨーロッパの気象に対するWRの相関と影響の研究に焦点を当てていますが、ユーロ大西洋WRからの温度や降水量などの地上レベルの気候変数の推定は、ほとんど未開拓のままであり、現在線形方法に限定されています。
提示されたAIモデルは、ヨーロッパにおけるユーロ大西洋大気循環と対応する表面温度と降水異常の状態を記述し、WRインデックス間の関係に複雑な非線形性をキャプチャおよび導入できます。
ヨーロッパの冬と夏の月平均2メートルの平均2メートルの温度と総降水異常の再構築におけるAIモデルのパフォーマンスについても説明します。また、毎月の大気循環を説明するために使用されるWRの数も変化します。
再構築におけるWRインデックスに対するエラーの影響を評価し、80％未満の平均絶対相対誤差により、ECMWF運用季節予測システムであるSEAS5と比較して季節再建が改善されることを示します。
実用的な適用性のデモンストレーションとして、SAIS5によって予測されたWRインデックスを使用してモデルを評価し、Sain5予測自体に比べてわずかに優れたスキルまたは同等のスキルを見つけます。
私たちの調査結果は、AIツールを駆動するWRベースの異常再構成が、季節ごとの予測および季節予測のための有望な経路を提供することを示しています。

要約(オリジナル)

We present a non-linear AI-model designed to reconstruct monthly mean anomalies of the European temperature and precipitation based on the Euro-Atlantic Weather regimes (WR) indices. WR represent recurrent, quasi-stationary, and persistent states of the atmospheric circulation that exert considerable influence over the European weather, therefore offering an opportunity for sub-seasonal to seasonal forecasting. While much research has focused on studying the correlation and impacts of the WR on European weather, the estimation of ground-level climate variables, such as temperature and precipitation, from Euro-Atlantic WR remains largely unexplored and is currently limited to linear methods. The presented AI model can capture and introduce complex non-linearities in the relation between the WR indices, describing the state of the Euro-Atlantic atmospheric circulation and the corresponding surface temperature and precipitation anomalies in Europe. We discuss the AI-model performance in reconstructing the monthly mean two-meter temperature and total precipitation anomalies in the European winter and summer, also varying the number of WR used to describe the monthly atmospheric circulation. We assess the impact of errors on the WR indices in the reconstruction and show that a mean absolute relative error below 80% yields improved seasonal reconstruction compared to the ECMWF operational seasonal forecast system, SEAS5. As a demonstration of practical applicability, we evaluate the model using WR indices predicted by SEAS5, finding slightly better or comparable skill relative to the SEAS5 forecast itself. Our findings demonstrate that WR-based anomaly reconstruction, powered by AI tools, offers a promising pathway for sub-seasonal and seasonal forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google