“Traditional weather prediction tells us what is likely to happen within the next 24 hours and up to two weeks ahead, whereas climate prediction tells us what will likely happen in the coming seasons. Until recently, there was a gap between the weather and climate predictions leaving us unsure about what may happen between two weeks to two months from now. This time window between weather (up to 2 weeks) and climate (a season and longer) is known as “subseasonal.”The forecasting effort targeting this subseasonal time window and bridging the gap between the weather and climate predictions is known as subseasonal-to-seasonal (S2S) prediction.
传统的天气预报告诉我们未来24小时内和未来两周内可能发生的事情,而气候预报则告诉我们未来季节可能发生的事情。直到最近,天气预报和气候预报之间还横亘着一条“鸿沟”,让我们无法确定两周到两个月后可能发生的事情。这种介于天气(最多两周)和气候(一个季节和更长时间)之间的时间窗口被称为 "次季节"。针对这个次季节时间窗口,消除天气和气候预测之间“鸿沟”的预测工作被称为次季节性到季节(S2S)预测。
DeepL译自Chidong Zhang
”
在arXiv预发表,文章目前投向Journal of Advances in Modeling Earth Systems
Weyn, Jonathan A., Dale R. Durran, Rich Caruana, and Nathaniel Cresswell-Clay. "Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models." arXiv preprint arXiv:2102.05107 (2021).
1. 关键点
我们提出了一个使用深度学习天气预报(DLWP)模型的集合预报系统,该模型可递归预测6小时时间分辨率的关键大气变量。该模型在立方球网格上使用卷积神经网络(CNNs)来产生全球预报。该方法计算效率很高,在单个GPU上只需要3分钟就可以生成320个集合成员的6周预报,空间分辨率为1.4°。
集合传播主要是通过随机化CNN训练过程产生的,以创建一组32个具有些许差异学习权重的DLWP模型。虽然我们的DLWP模型没有直接预报降水,但它确实预报了大气柱水汽总量,并且它给出了一个合理的4.5天的飓风Irma确定性预报。除了模拟中纬度天气系统,它还在一年的自由运行模拟中自发地生成热带气旋。在全球范围内和2年测试集的平均数,集合平均RMSE相对于气候学的技能保持在2周以上,异常相关系数在6天内保持在0.6以上。我们的主要应用是在2到6周的超前期进行次季节到季节(S2S)预报。
目前的预报系统在预测S2S时间尺度下超前1周或2周平均天气模态方面的技能较低。连续排序概率评分(CRPS)和排序概率技巧评分(RPSS)表明,在超前4周和5-6周的时间内,DLWP集合预报的性能仅略逊于欧洲中期天气预报中心(ECMWF)的S2S模式集合预报。在更短的超前时间内,ECMWF合集的性能则优于DLWP。
作为开发基于深度学习的S2S预报集合系统的第一步,我们通过将赤道的水平空间分辨率提高到约1.4°,并增加两个物理场,即850 hPa的温度和总水柱水汽,来完善我们之前的数据驱动的全球模型(Weyn等人,2020)。这些改进使得该模型既能自发产生热带气旋,又能对飓风Irma进行合理的、但远非最先进的四天确定性预报。尽管分辨率提高了,而且预测变量从4个球壳扩展到6个,但模型的计算效率仍然很高。在Nvidia Tesla V100图形处理单元(GPU)上,以12小时的时间步进(和6小时的分辨率)进行一周的预报,可以在大约1/10秒的时间内完成。我们利用这种效率来生成大型集合预报。只需要大约3分钟就可以生成320个成员的六周集合预报。这320个成员是通过运行32个不同的DLWP模型来生成的,这些模型根据些许差异的卷积滤波系数进行训练,分别在10个初始条件下运行。初始条件是非最佳的;它们不是包括来自奇异向量的信息,而是简单地从ERA5数据中提取。另一方面,用略微不同的滤波系数训练DLWP模型的策略是非常有效的,为合奏平均数增加了显著的技能,并大大增加了集合范围(图1和5)。32个相似的DLWP模型引入的集合传播在功用上与传统的NWP合奏成员的随机扰动物理参数化倾向或随机动能反散布相似。我们的DLWP模型需要6-8天的计算时间在单个Tesla V100 GPU上进行训练。我们能够通过使用不同的初始种子从头开始训练32个 "物理集合 "成员中的8个,并使用8个训练迭代期间保存的不同检查点的滤波系数来填充集合的模型来节约成本。正如ECMWF S2S预报的情况一样,DLWP集合平均预报比单一控制成员的预报有显著改善。特别是,在2017-2018年测试集DLWP合集预报中,Z500、T850和2米温度的平均RMSE至少有14天保持在气候学以下,而异常相关系数有7-8天保持在0.6以上。毫不奇怪,ECMWF S2S合集的表现确实更好,尤其是在较早的准备时间,它也给出了超过0.6阈值的ACC分数到10天。在较长的准备时间,第3-4周或第5-6周的平均值上,ECMWF和DLWP合奏手段的ACC得分为正,且好于持续性,但仍然相对较低。2017-2018年的平均得分大致在0.25到0.5之间,除了第5-6周的T850外,其他情况下ECMWF合集的表现都较好,这两个合集的ACC在统计学上是并列的,约为0.25。我们检查了两个集合技巧的概率,CRPS和RPSS。DLWP和ECMWF S2S集合产生的CRPS分数基本上是相同的第4周和第5-6周。在较短的准备时间内,ECMWF的集合是优异的,在第3周表现略好,在第2周明显优于DLWP集合。DLWP和ECMWF集合预报都明显优于气候学和持久性。季节性和区域性的对比研究表明,在北半球的热带外地区,DLWP合集表现最好,在夏季与ECMWF合集表现相当;而在冬季表现最差。与CRPS一样,按空间和时间平均的RPSS得分在所有准备时间内都显示出与气候学有关的适度技能。
与CRPS指标相比,ECMWF合计RPSS得分超过DWLP合计得分的幅度更大,但夏季北外热带地区除外,因为这两个合计再次取得了类似的得分。在全球平均和仅热带地区平均的RPSS中,ECMWF RPSS得分超过DLWP的差距在陆地上比在全球范围内要小。比较ECMWF和DLWP RPSS得分的全球地图显示,除了ECMWF集合在热带海洋上表现较好外,其他区域的技能较高和较低的区域基本相似。在第5-6周,在陆地上的RPSS指标中,技能和非技能区域的空间分布在ECMWF和DLWP合奏中惊人地相似(图11)。DLWP模型在热带海洋上表现较差的一个原因可能是由于其缺乏SST数据,正如其在2018年弱厄尔尼诺事件发生期间在赤道太平洋东部的失败所表明的那样。虽然我们目前的数据驱动DLWP模型在确定性预测同步尺度天气模式方面比操作性的NWP模型差,但其学习基于物理学的现象,包括近地表温度的复杂演变和对流主导的热带地区的长期模式的能力是显著的。因此,DLWP可能被证明是一种有价值的工具,可以补充基于NWP的S2S预报,而这些预报是最弱的:在热带地区和春夏两季。有许多途径可以进一步发展我们的基本DLWP合集系统。一个明显的缺点是,我们的DLWP模型还不能预报降水。这可能会通过将降水添加到当前的六个预测2D字段集来解决,这些字段由模型递归地向前迈进,尽管在CNN架构中不包括以前时间的降水,但它可以交替地从每个步骤后的其他字段中诊断出来(Larraondo等人,2019)。DLWP模型的计算效率不仅仅是简单地产生及时的业务预报,它还使研究人员能够前所未有地使用大量的过去天气事件的重新预测。我们在单个GPU上用几个小时计算了25年的再预报,每年为33个集合成员提供104个预报。我们只用这些重新预测来纠正DLWP模型的平均漂移,但也可以用它们来校准合奏概率分布,分析模型误差,或调查模型捕获的可预测性来源。历史上,辅助模型(例如,Doyle等人,2014年)是完全非线性动态NWP模型的正切线性可微分近似,已被用于研究模型误差如何依赖于初始条件的不确定性(例如,美国上空的湿度误差是否对欧洲上空的气旋位置或强度有很大影响)。对于复杂的操作性的NWP模型来说,建立辅助模型是很困难的。然而,由于CNN是完全可分化的,因此很容易产生相应的辅助模型,从而实现误差增长和大气可预测性的研究。最近关于深度神经网络解释的工作可能会为这种形式的分析提供一些有价值的工具(Toms等,2020;Ebert-Uphoff & Hilburn,2020)。
数据可用性声明 ERA5再分析数据可通过哥白尼气候数据存储(DOI:10.24381/cds.bd0915c6和DOI:10.24381/cds.adbb2d47)获得。ECMWF S2S预报可在https://apps.ecmwf.int/datasets/data/s2s。T42和T63 IFS预报可从Rasp等人(2020b)获得。
图1▼
图2▼
图3▼
图4▼
图5▼
图6▼
图7▼
图8▼
图9▼
图10▼
图11▼
图12▼
图13▼