DUNE：一种基于深度UNet++集成方法的机器学习月度、季节性和年度气候预测
https://arxiv.org/abs/2408.06262
本文由Pratik Shukla和Milton Halem撰写，他们来自马里兰大学巴尔的摩分校的计算机科学和电气工程系。文章介绍了一种名为DUNE（Deep UNet++-based Ensemble）的新型深度学习集成神经架构，该架构采用多编码器-解码器结构和残差块。当从上个月或年份初始化时，该架构产生了首个基于AI的全球月度、季节性或年度平均2米气温（T2m）和海表面温度（SST）的预测。使用ERA5月平均数据作为T2m在陆地上、SST在海洋上以及大气顶层太阳辐射的输入，对每个40年的月份进行模型训练。在额外的两年中进行验证预测，随后进行五年的预测评估，以考虑自然年度变化。AI训练的推理预测权重在几秒钟内生成预测，实现季节性预测集成。全球和特定区域的均方根误差（RMSE）、异常相关系数（ACC）和Heidke技能评分（HSS）统计数据表明，这些预测在所有领域的表现均优于持续性、气候学和多元线性回归。DUNE预测显示出与NOAA在美国的运营月度和季节性概率预测相当的统计准确性，但分辨率更高。与其他基于AI的日预测的RMSE和ACC误差统计数据相比，基于DUNE的预测也显示出更优越的性能。DUNE模型在集成数据同化周期中的应用显示出与单一高分辨率模型相当的预测准确性，可能消除了对外推数据集重新训练的需求。
研究背景
传统的数值天气预报（NWP）模型基于物理的每日天气预报模型集合，用于从次季节性到季节性（S2S）的预测。这些操作模型通过使用具有不同物理参数化或初始预报条件扰动的预报模型集合的均值，来克服长期可预测性的限制。然而，无论模型参数化和初始观测的分辨率如何，NWP在两周以上的预测技能都显示出有限的预测能力。机器学习已经在训练小时到日的再分析数据的基础上，展示了类似的2-4周预测技能，但在两周以上的长期可预测性方面也存在相同的局限性。
研究意义
可靠的次季节性到季节性（S2S）2米以上表面温度（T2m）的预测模型对于许多环境、经济和社会应用是有帮助且经常迫切需要的。温度、降水和潜在蒸发是干旱和影响野火行为的重要因素。为了增强大火可能性预测，必须预测如年表面温度热异常、受T2m影响的潜在蒸散发以及由于持续干旱降水异常导致的植被干燥等表面干旱指数。这些准确的预测对于预测野火的可能性和严重程度至关重要。预测季节性和年度表面温度变化同样关键。在北半球地区，夏季温度的升高预示着更广泛的气候变化趋势。理解干旱条件与野火之间的复杂关系对于改进预测模型至关重要。干旱创造了有利的点火条件，并导致植被干燥，增强了野火的强度和范围。准确的干旱预测将使可采取的策略成为可能，以积极管理野火。因此，作为应对全球变暖对野火风险影响的挑战的重要第一步，本文主要关注开发一种全面的方法来预测夏季和年度T2m。这样的AI模型适用于次季节性到季节性预测的操作要求。
研究方法和数据
研究者使用了ERA5月平均数据集，该数据集提供了全球各种大气、陆地和海洋变量的月度估计，空间分辨率为0.25°，大约相当于30公里。它还包括一个大约60公里分辨率的10成员集合。ERA5是通过使用短期物理积分作为背景，并同化所有可用的地面和空间观测及其误差统计数据，创建了一个基于当前物理和化学参数化的全球全面和一致的数据集。数据集覆盖了地球，纬度和经度的维度分别为721x1440。集合数据集为360x720。月度平均数据从1940年1月开始，时间分辨率为1个月。
使用ERA5数据集中的海表面温度（SST）和2米温度（T2m）变量作为输入进行训练。ERA5数据提供的陆-海掩模（LSM）参数用于结合SST和T2m数据集。
研究结论
DUNE AI模型在所有区域的月度、季节性和年度预测中均优于基线模型，包括多元线性回归。该模型还显示出与NOAA在美国的运营月度和季节性概率预测相当的统计准确性，但分辨率更高。此外，DUNE模型在集成数据同化周期中的应用显示出与单一高分辨率模型相当的预测准确性，可能消除了对外推数据集重新训练的需求。
不足与讨论
尽管DUNE AI模型在预测技能上显示出优越性，但研究者指出，AI/ML气候预测相对于基于物理的预测的一个固有局限性是其对所选训练数据集的依赖性。DUNE使用基于特定年份集定义气候的月度异常大气状态进行训练。然而，月度大气状态并不处于平衡状态，因为所有月份都在经历全球变暖。这在应用于不同域的区域预测时尤其如此，其输入是作为异常基于定义气候的特定年份集进行训练的。通过选择更近期的气候学进行训练，可以获得改进的HSS准确性。此外，通过仅使用美国的数据而不是全球数据进行训练，可以显著提高美国区域预测性能的影响。
未来工作方向
未来的工作将需要单独训练区域预测。研究者还计划将DUNE AI模型应用于参与TIPMIP（倾覆点建模比较项目）的现代气候模拟数据。此外，研究者计划探索在DUNE AI模型的下采样和上采样阶段实现可训练小波变换的可能性。
- END -（加微信交流群，请备注：姓名-行业-单位）
声明：本公众号分享的资源均来自于互联网的公开资源，仅供个人学习和研究使用，不代表本人对其版权、真实性、合法性、准确性等方面做出任何保证。任何使用本号分享的资源的个人或组织，需自行承担相应的法律责任和后果；本号不承担任何法律责任和连带责任。使用本号分享的资源即代表您已完全了解并同意本免责声明的所有内容。
上海位温信息科技有限公司
专业的商业气象服务商
![]()
（咨询数据详情，可添加微信，请备注：合规数据）
可提供气象产品 ：
全国三千多个基准站
3213 个主要城市站点、每小时发 布 1 次，
每天发布 24 次，每次提供当前整点时刻的
城市站点实况天气（实况产品会在整点后
15 分钟、20 分钟、30 分钟进行数据更新），
要素包括：天气现象、气温、体感温度、风速、
风力、风向、相对湿度、气压、1小时降水量、
10分钟降水量、能见度、日出时间、日落时间、
紫外辐射等要素。
探空气象站
海洋气象站
雷达拼图
卫星云图（风云4、葵花8）
格点实况、再分析资料
数值预报:CMA EC GFS
强对流天气预报
强天气落区预报
强对流天气（短时强降水/冰雹/雷暴大风）概率预报图
台风、热带气旋
可提供国内与国外各类气象咨询气象服务
本公司提供服务稳定可靠，您值得拥有。
上海位温信息科技有限公司
专业的商业气象服务商
（咨询数据详情，可添加微信，请备注：合规数据）
可提供气象产品 ：
全国三千多个基准站
3213 个主要城市站点、每小时发 布 1 次，
每天发布 24 次，每次提供当前整点时刻的
城市站点实况天气（实况产品会在整点后
15 分钟、20 分钟、30 分钟进行数据更新），
要素包括：天气现象、气温、体感温度、风速、
风力、风向、相对湿度、气压、1小时降水量、
10分钟降水量、能见度、日出时间、日落时间、
紫外辐射等要素。
探空气象站
海洋气象站
雷达拼图
卫星云图（风云4、葵花8）
格点实况、再分析资料
数值预报:CMA EC GFS
强对流天气预报
强天气落区预报
强对流天气（短时强降水/冰雹/雷暴大风）概率预报图
台风、热带气旋
可提供国内与国外各类气象咨询气象服务
本公司提供服务稳定可靠，您值得拥有。
