利用概率深度学习改进季节性预报

下载PDF摘要：实现季节性预报潜力及其社会经济效益的途径在很大程度上取决于改进基于大气环流模式的动态预报系统。建立预报基准，明确模式初始误差、公式缺陷和内部气候变率等因素对预报的限制，是提高动力季节预报水平的关键。由于产生大型预报集合的巨大成本，以及用于预报验证的观测有限，季节性预报基准和诊断任务被证明是具有挑战性的。在这项研究中，我们开发了一个概率深度神经网络模型，利用现有的大量气候模拟来提高季节预测能力和预测诊断能力。通过利用气候模拟中编码的复杂物理关系，与最先进的动态预报系统相比，我们的概率预报模型在准全球季节降水和近地表温度预报中显示出更好的确定性和概率技巧。我们应用这种概率预报方法来量化动态季节预报系统中初始误差和模型公式缺陷的影响。我们引入了同质性分析方法来有效地识别影响季节变化的关键预测因素。此外，通过用变分贝叶斯显式模拟不确定性，我们对厄尼诺/南方涛动这一季节变率的主要模式如何调节全球季节可预报性给出了一个更明确的答案。