Apr, 2024
使用深度学习鉴定ENSO预测的初始误差敏感性
Using Deep Learning to Identify Initial Error Sensitivity of ENSO
Forecasts
TL;DR通过深度学习和模型类比预测的混合方法，我们在仓库模拟的相似初始气候状态中生成预测，利用卷积神经网络估计状态相关权重以识别类比状态，从而提供深入洞察初始误差敏感区域和系统的物理演变。我们的方法在季节至年度时间尺度上通过使用Community Earth System Model Version 2 Large Ensemble预测El Niño-Southern Oscillation (ENSO)来评估；结果显示与传统的模型类比技术相比，在赤道太平洋上预测的海表温度异常在9-12个月的领先时期有10%的改进。此外，我们的混合模型在评估重分析数据集时还展示了对于温度和降水的寒冬和春季初始化的改进。我们的基于深度学习的方法揭示了与各种季节变化的物理过程相关的状态依赖敏感性，包括太平洋纬向模式、赤道补给振荡器和随机风强迫。值得注意的是，El Niño和La Niña事件的敏感性存在差异。我们发现赤道太平洋上的海表温度在El Niño的预测中起更重要的作用，而在La Niña的预测中，该地区的纬向风应力具有更大的意义。这种方法对于预测各种气候现象，包括区域的温度和降水，具有广泛的影响，并且对于传统的模型类比预测方法具有挑战性。