[论文解读] Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning

George Miloshevich, Cozian, Bastien+1 more|arXiv (Cornell University)|Jul 18, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用 3

一句话总结

本文提出一种基于模拟马尔可夫链的随机天气生成器（SWG），结合温度和土壤湿度作为预测因子，用于在法国和斯堪的纳维亚地区采样和预测极端热浪。该SWG基于80年气候模型数据进行训练，在估计千年一遇重现期方面优于极值分布拟合（GEV），在概率预测方面与深度学习（CNN）相当，尤其在数据有限时表现优异，同时保持计算高效且可解释性良好。

ABSTRACT

This dataset was originally generated by running a Plasim general circulation model for 8000 years. We extract a small subset of this dataset which is only 500 years long with temperature, soil moisture and 500 hPa Geopotential extracted over the northern hemisphere above 30 North. This dataset can be used to reproduce the results in https://arxiv.org/abs/2307.09060 concerning training CNN and SWG with cross-validation length of 500 years.

研究动机与目标

• 开发一种计算高效、基于数据的随机天气生成器（SWG），用于估算欧洲极端热浪发生的概率。
• 解决利用有限气候模型数据采样罕见且持续时间长的热浪的挑战。
• 比较基于模拟的SWG与深度学习（CNN）和极值理论（EVT）在概率热浪预测中的性能。
• 评估降维技术（EOF、VAE）在提升模拟计算效率的同时不降低预测能力方面的效果。
• 展示SWG生成极端热浪合成遥相关模式的能力，使其与长时间气候模型控制运行中的模式具有统计相似性。

提出的方法

• SWG在大气环流场中应用模拟方法，额外引入局部温度和土壤湿度作为预测因子。
• 采用马尔可夫链框架，从历史条件的模拟中生成天气状态的概率性时空序列。
• 通过经验正交函数（EOF）进行降维以加速模拟搜索，性能与变分自编码器（VAE）和主成分分析（PCA）进行对比。
• 使用针对罕见事件定制的正确评分规则（归一化对数评分）进行样本外条件热浪概率预测。
• SWG基于80年PlaSim气候模型输出进行训练，并通过长时间控制运行验证其合成极端事件的真实性。
• 性能基准对比基于数百年人工数据训练的卷积神经网络（CNN）和用于重现期估计的GEV拟合。

Figure 1 : The map shows relevant areas. Blue: North Atlantic – Europe (NAE). The dimensions of this region are 22 by 48. Red+Blue: North Hemisphere (above 30 N). The dimensions of this region are 24 by 128. Green: France; Purple: Scandinavia.

实验结果

研究问题

• RQ1 基于模拟马尔可夫链的随机天气生成器能否仅使用80年训练数据准确预测法国和斯堪的纳维亚地区持续热浪的条件概率？
• RQ2 在训练数据有限的情况下，基于模拟的SWG在概率热浪预测中的表现与深度学习模型（CNN）相比如何？
• RQ3 降维技术（如EOF）在不降低预测准确性的情况下，能在多大程度上提升模拟预报的计算效率？
• RQ4 SWG能否生成与长时间气候模型控制运行中观测到的模式在统计上无法区分的极端热浪合成遥相关模式？
• RQ5 与传统的极值理论（GEV）拟合相比，SWG能否提供更准确的极端热浪千年一遇重现期估计？

主要发现

• 基于80年数据训练的SWG在估计多日热浪的千年一遇重现期方面优于GEV拟合，表明其在罕见事件估计方面具有更优性能。
• 当使用数百年人的训练数据时，CNN在概率预测方面（以归一化对数评分衡量）优于SWG，表明深度学习在数据充足时具有优势。
• 基于EOF的降维在本任务中表现优于VAE，表明EOF更适合用于温度极端事件的模拟预报。
• SWG为法国和斯堪的纳维亚地区热浪生成的合成遥相关模式，与长时间气候模型控制运行中观测到的模式在定性和统计上高度相似。
• 当训练数据稀缺时，SWG在气候模型模拟中仍是一个强有力的基线，应被用于验证更复杂的深度学习架构。
• 本研究提供开源代码和文档，支持可复现性，并可扩展至其他极端天气事件和区域。

Figure 2 : Schematics of different methodologies used for probabilistic forecasting and estimates of extreme statistics. On the left we show the three input fields which are labeled directly on the plot. On the right the target of the inference is displayed (for instance probabilistic prediction as