Apr, 2024

使用深度学习鉴定 ENSO 预测的初始误差敏感性

PDF
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。
hybrid methoddeep learningmodel-analog forecastingel niño-southern oscillationtemperature anomalies
发现论文，激发创造
  • ResoNet：使用混合卷积和 Transformer 网络进行稳健可解释的 ENSO 预测

    深度学习方法与 ResoNet 模型相结合，能够准确预测 1.5 年前的 El Niño-Southern Oscillation，并解释其物理机制及 El Niño 和 La Niña 发展的不对称性。

    Dec, 2023

  • 卷积 GRU 网络用于厄尔尼诺南方涛动的季节性预测

    基于 ConvGRU 网络的 ENSO 区域的时空序列预测模型显示，相对于线性反演模型，类比预测和递归神经网络，其在预测 Niño 3.4 指数方面具有更高的预测能力和更长的有效预测期限。

    Jun, 2023

  • 机器学习地球系统模型中的耦合海洋 - 大气动力学

    季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了 Ocean-linked-atmosphere (Ola) 模型，这是一个高分辨率 (0.25°) 的人工智能 / 机器学习耦合地球系统模型，使用自回归 Spherical Fourier 神经算子架构分别对海洋和大气动力学进行建模，以实现季节尺度上快速、精确的大量集合预测。Ola 模型表现出了海洋 - 大气耦合动力学的学习特征，包括适当相速的热带海洋波，以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺 / 南方振荡 (ENSO)。我们提供了预测 ENSO 的初步证据，与地球物理流体力学实验室的 SPEAR 模型相比具有良好的预测能力。

    Jun, 2024

  • 厄尔尼诺南方涛动多样性的多模态表示

    利用低维度的太平洋 SSTA 表示，通过模糊无监督聚类，我们找到了四种已知的 ENSO 事件类别，以及第五种类别：极端厄尔尼诺事件。我们发现，极端厄尔尼诺事件在强度和时间演变方面与典型的东太平洋厄尔尼诺事件有所不同。此外，中太平洋拉尼娜事件、东太平洋厄尔尼诺事件和极端厄尔尼诺事件对于年代际 ENSO 变异性贡献最大。

    Jul, 2023

  • 利用因果特征学习在微观气候数据上进行无监督发现厄尔尼诺

    这篇论文通过对太平洋赤道带的风速（ZW）和海表温度（SST）的微观测量应用原因特征学习框架，自然地展示了气候现象 El Nino 和 La Nina 作为微观变量的状态。

    May, 2016

  • 深度回声状态网络与不确定性量化在时空预测中的应用

    介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

    Jun, 2018

  • 使用大型深度学习天气预测模型集进行次季节预测

    使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量，并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测，DLWP 集合在 4-6 周的前导时间内表现良好，但在更短的前导时间内表现稍差与 ECMWF 相比。

    Feb, 2021

  • 基于回声状态网络的特征重要性特征化气候变化路径

    本文通过使用回声态网络（ESN）进行特征重要性分析，旨在量化与气候现象相关的变量关系，并以模拟研究和气候数据分析验证了该方法的有效性。

    Oct, 2023

  • 利用深度学习模型进行在线数据同化重建热带太平洋上层海洋

    使用基于 Transformer 架构的深度学习模型，与标准线性逆模型（LIM）在热带太平洋上进行训练与比较。结果表明，当在重分析数据集上测试时，与 LIM 相比，深度学习模型产生更准确的预测。然后我们评估集合卡尔曼滤波器从一组噪声较大的 24 个海表温度观测中重建月平均上层海洋的能力，并比较 DL 模型和 LIM 的结果。由于 DL 模型中信号的衰减，我们引入了一种新的膨胀技术，通过从回查实验中添加噪声来实现。结果显示，使用 DL 模型同化观测数据比 LIM 在观测时间从一个月到一年的范围内获得更好的重建效果。这种改进的重建是由于 DL 模型的增强预测能力，它可以将过去观测的信息映射到未来的同化时间。

    Jun, 2024

  • 利用轻量级神经网络集成进行海冰浓度的代理建模

    基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。

    Dec, 2023