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、季節未満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でした。
この研究では、季節未満の予測のための後処理ツールとしての機械学習 (ML) モデルのアプリケーションを調査します。
時間差のある数値アンサンブル予測 (つまり、メンバーの初期化日が異なるアンサンブル) と、相対湿度、海面気圧、地質ポテンシャルの高さを含む観測データがさまざまな ML 手法に組み込まれ、月平均降水量と 2 メートルの気温が予測されます。
米国本土の場合は 2 週間前までに。
回帰、分位回帰、および三分位分類のタスクでは、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 (個々の ML モデルの予測に基づくマルチモデル アプローチ) の使用を検討します。
アンサンブル平均のみを使用することが多い以前の ML アプローチとは異なり、アンサンブル予測に埋め込まれた情報を活用して予測精度を高めます。
さらに、計画と緩和の取り組みに重要な極端な現象の予測についても調査します。
アンサンブル メンバーを空間予測の集合として考慮し、空間情報を使用するさまざまなアプローチを検討します。
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。
私たちが提案するモデルは、気候予測やアンサンブル平均などの標準的なベースラインを上回ります。
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を調査します。

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. This study explores an application of machine learning (ML) models as post-processing tools for subseasonal forecasting. Lagged numerical ensemble forecasts (i.e., an ensemble where the members have different initialization dates) and observational data, including relative humidity, pressure at sea level, and geopotential height, are incorporated into various ML methods to predict monthly average precipitation and two-meter temperature two weeks in advance for the continental United States. For regression, quantile regression, and tercile classification tasks, we consider using linear models, random forests, convolutional neural networks, and stacked models (a multi-model approach based on the prediction of the individual ML models). Unlike previous ML approaches that often use ensemble mean alone, we leverage information embedded in the ensemble forecasts to enhance prediction accuracy. Additionally, we investigate extreme event predictions that are crucial for planning and mitigation efforts. Considering ensemble members as a collection of spatial forecasts, we explore different approaches to using spatial information. Trade-offs between different approaches may be mitigated with model stacking. Our proposed models outperform standard baselines such as climatological forecasts and ensemble means. In addition, we investigate feature importance, trade-offs between using the full ensemble or only the ensemble mean, and different modes of accounting for spatial variability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google