[论文解读] Extreme Precipitation Seasonal Forecast Using a Transformer Neural Network

Daniel Civitarese, Daniela Szwarcman+2 more|arXiv (Cornell University)|Jul 14, 2021

Meteorological Phenomena and Simulations被引用 25

一句话总结

该论文使用时序融合变换器（TFT）来预测每周的最大日降水分位数，预测期限最长可达六个月；在某些情况下优于 ECMWF SEAS5 集合并在某些情形与气候态相匹配。

ABSTRACT

An impact of climate change is the increase in frequency and intensity of extreme precipitation events. However, confidently predicting the likelihood of extreme precipitation at seasonal scales remains an outstanding challenge. Here, we present an approach to forecasting the quantiles of the maximum daily precipitation in each week up to six months ahead using the temporal fusion transformer (TFT) model. Through experiments in two regions, we compare TFT predictions with those of two baselines: climatology and a calibrated ECMWF SEAS5 ensemble forecast (S5). Our results show that, in terms of quantile risk at six month lead time, the TFT predictions significantly outperform those from S5 and show an overall small improvement compared to climatology. The TFT also responds positively to departures from normal that climatology cannot.

研究动机与目标

• 在气候变化背景下推动 sub-seasonal 至 seasonal 预测极端降水的改进。
• 开发一个基于分位数的周度最大日降水量预测框架，适用于多地点。
• 利用时序融合变换器处理静态、历史和未来输入，实现多重时间范围预测。
• 提供可解释输出（多分位数），以辅助风险评估与决策。

提出的方法

• 使用 TFT 对多达 26 周的周步长预测最大日降水分位数（0.1、0.5、0.9）。
• 整合静态输入（位置、高度）、已知未来输入（月、与厄尔尼诺/南方涛动相关的预测因子）以及历史输入（过去降水、温度、土壤水分、地势势高位）。
• 用联合分位损失对所有分位数和时间范围进行 TFT 训练（分位损失QL、q-风险归一化）。
• 将 TFT 与气候态（1981-2010）及经过校准的 ECMWF SEAS5 集合（50 个成员）进行对比，使用区域特定的子区域和网格点分割。
• 使用分位点 0.9 的 q-风险差异进行评估，并在里约热内卢与佛罗里达等地进行空间分析。

实验结果

研究问题

• RQ1 基于 TFT 的分位数预测能否在最长六个月的前瞻期内改善极端降水预测，相较于最先进的动力学集合？
• RQ2 TFT 在不同区域（里约热内卢与佛罗里达）以及相对于气候态的表现如何？
• RQ3 多分位 TFT 输出在 sub-seasonal 至 seasonal 预测的风险评估中有哪些价值？

主要发现

• TFT 在分位数 0.9 的 q-风险方面在所有地点都显著优于 S5。
• TFT 相较于气候态总体在某些目标上有小幅改进，并在 0.9 分位数上对 S5 显著优于。
• 在里约热内卢，TFT 相对于气候态在所有分位数上降低了 q-风险；相对于 S5，0.9 分位数的改进高达 29.54%。
• 在佛罗里达，TFT 在所有分位数上均优于 S5，0.9 分位数的提升尤为明显（S5−TFT 下降 41.87%）。
• TFT 通过输入变量和时间动态自适应预测，在偏离正态分布方面比气候态更能捕捉到偏离。