Using Deep Learning to Identify Initial Error Sensitivity of ENSO Forecasts

要約

ディープラーニングとモデルアナログ予測を統合するハイブリッド手法を導入します。これは、モデルシミュレーションのリポジトリにある同様の初期気候状態から予測を生成する、単純かつ効果的なアプローチです。
このハイブリッド フレームワークは、畳み込みニューラル ネットワークを使用して状態依存の重みを推定し、アナログ状態を識別します。
私たちの方法の利点は、物理的な解釈可能性にあり、推定された重みを通じて初期誤差に敏感な領域についての洞察を提供し、アナログ予測を通じてシステムの物理ベースの時間的変化を追跡する機能を提供します。
コミュニティ地球システム モデル バージョン 2 ラージ アンサンブルを使用してアプローチを評価し、季節から年間の時間スケールでエルニー南方振動 (ENSO) を予測します。
結果は、従来のモデルアナログ手法と比較して、太平洋赤道上空の海面水温異常の予測が9～12か月先で10％改善されたことを示しています。
さらに、私たちのハイブリッド モデルは、再解析データセットに対して評価した場合、北半球の冬と春の初期化の改善を示しています。
私たちの深層学習ベースのアプローチは、太平洋子午線モード、赤道再充電振動子、確率的風力など、季節ごとに変化するさまざまな物理プロセスに関連する状態依存の感度を明らかにします。
特に、エルニーノ現象とラニーナ現象に関連する感受性には格差が現れています。
私たちは、熱帯太平洋の海面温度がエルニーナの予測においてより重要な役割を果たしている一方、同じ地域の帯状風ストレスがラニーナの予測においてより大きな重要性を示していることがわかりました。
このアプローチは、従来のモデルアナログ予測手法では困難である、地域の気温や降水量などの多様な気象現象の予測に広範な影響を及ぼします。

要約(オリジナル)

We introduce a hybrid method that integrates deep learning with model-analog forecasting, a straightforward yet effective approach that generates forecasts from similar initial climate states in a repository of model simulations. This hybrid framework employs a convolutional neural network to estimate state-dependent weights to identify analog states. The advantage of our method lies in its physical interpretability, offering insights into initial-error-sensitive regions through estimated weights and the ability to trace the physically-based temporal evolution of the system through analog forecasting. We evaluate our approach using the Community Earth System Model Version 2 Large Ensemble to forecast the El Ni\~no-Southern Oscillation (ENSO) on a seasonal-to-annual time scale. Results show a 10% improvement in forecasting sea surface temperature anomalies over the equatorial Pacific at 9-12 months leads compared to the traditional model-analog technique. Furthermore, our hybrid model demonstrates improvements in boreal winter and spring initialization when evaluated against a reanalysis dataset. Our deep learning-based approach reveals state-dependent sensitivity linked to various seasonally varying physical processes, including the Pacific Meridional Modes, equatorial recharge oscillator, and stochastic wind forcing. Notably, disparities emerge in the sensitivity associated with El Ni\~no and La Ni\~na events. We find that sea surface temperature over the tropical Pacific plays a more crucial role in El Ni\~no forecasting, while zonal wind stress over the same region exhibits greater significance in La Ni\~na prediction. This approach has broad implications for forecasting diverse climate phenomena, including regional temperature and precipitation, which are challenging for the traditional model-analog forecasting method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google