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

Abstract

Maschinelles Lernen zur Wettervorhersage, das auf beobachteten atmosphärischen Bedingungen trainiert wurde, kann herkömmliche, physikbasierte Modelle auf kurzen bis mittleren Zeitskalen (1–14 Tage) übertrifft. In dieser Studie untersuchen wir das maschinelle Lernmodell ACE2, das darauf trainiert wurde, die atmosphärische Entwicklung in 6-Stunden-Schritten vorherzusagen und über längere Vorhersagezeiträume hinweg stabil bleibt, aus der Perspektive der saisonalen Vorhersage (1–3 Monate Vorhersagezeit). Unter Verwendung von persistierenden Meeresoberflächentemperatur-(SST-) und Meereis-Anomalien, zentriert am 1. November jedes Jahres, initialisieren wir ein verzögertes Ensemblesystem für saisonale Vorhersagen, das sich über den Zeitraum 1993/1994 bis 2015/2016 erstreckt. In diesem 23-jährigen Zeitraum zeigt sich eine bemerkenswerte Übereinstimmung in den Mustern der Vorhersagbarkeit im Vergleich zu einem führenden physikbasierten Modell. Das ACE2-Modell erzielt eine fähige Vorhersage des Nordatlantischen Oszillationsindex (NAO) mit einer Korrelationskennzahl von 0,47 (p = 0,02) sowie eine realistische räumliche Verteilung von Vorhersagegenauigkeit und Ensemblespreizung weltweit. Überraschenderweise zeigt ACE2 einen Signal-zu-Rausch-Fehler, wie er auch bei physikbasierten Modellen beobachtet wird, wobei das Modell die reale Welt besser vorhersagt als seine eigenen Ensemble-Vorhersagen. Die Analyse der Wintervorhersage 2009/2010 deutet auf potenzielle Grenzen von ACE2 hin, insbesondere bei der Erfassung extremer saisonaler Bedingungen, die jenseits des Trainingsdatensatzes liegen. Diese Studie zeigt, dass maschinelle Lernmodelle für die Wettervorhersage fähige globale saisonale Vorhersagen liefern können und neue Möglichkeiten für ein vertieftes Verständnis, die Weiterentwicklung und die Erstellung kurzfristiger Klimavorhersagen eröffnen.