深度学习用于次季节时间尺度的全球概率预测的后处理

转载于 arXiv EarthAi 公众号

次季节天气预报对一系列社会经济活动越来越重要。然而，物理天气模式的预测能力在这些时间尺度上是非常有限的。我们提出了几种基于卷积神经网络的后处理方法，通过订正数值天气预报模式的系统误差来改善次季节预报。我们的后处理模型直接在空间输入场上操作，因此能够保留空间关系并产生空间上的各向同性的预测。他们对第 3-4 周和第 5-6 周的每两周温度和降水总量进行全球概率三分位预测。在一个由世界气象组织组织的公共预报挑战赛的案例中，我们的后处理模型的表现优于欧洲中期天气预报中心（ECMWF）的订正预报，并在所有考虑的变量和提前期方面实现了对气候学预报的改进。我们比较了几种模型结构和训练模式，并证明所有的后处理方法都能使得概率预报得到较好的订正技巧。后处理预报的良好订正性能，证实了我们的后处理模型能够可靠地量化基于ECMWF集合平均预报场形式的确定性输入信息的预报不确定性。

Nina Horat, Sebastian Lerch Karlsruhe Institute of TechnologyHeidelberg Institute for Theoretical Studies

https://doi.org/10.48550/arXiv.2306.15956