Chris Kent Adam A. Scaife Nick J. Dunstone Doug Smith et al

摘要

基于观测大气条件训练的机器学习天气模型，在短至中尺度（1–14天）的预报时间范围内，可超越传统的物理机制模型。本文采用名为ACE2的机器学习模型，该模型能够以6小时为步长预测大气演变，并在长时间预报中保持稳定，从季节预测视角（1–3个月的预报提前期）对其性能进行评估。我们以每年11月1日为中心的持续海表温度（SST）和海冰异常作为初始条件，构建了覆盖1993/1994至2015/2016年共23年的滞后集合季节预测。在此期间，ACE2模型在可预报性模式上与领先的物理机制模型表现出显著的一致性。ACE2在北半球大西洋振荡（NAO）的预测中展现出显著技巧，相关系数达0.47（p = 0.02），同时其全球技能分布与集合预报离散度也具有现实合理性。令人意外的是，ACE2模型呈现出与物理机制模型类似的信噪误差特征，即其对真实世界状态的预测优于对自身集合成员的预测能力。对2009/2010年冬季预测的分析表明，ACE2在捕捉超出训练数据范围的极端季节性气候条件方面可能存在局限性。本研究揭示，机器学习天气模型能够实现具有技巧性的全球季节预测，为提升对近中期气候预测的理解、发展与生成提供了新的机遇。