[论文解读] Improving seasonal forecast using probabilistic deep learning

Baoxiang Pan, Gemma J. Anderson+4 more|arXiv (Cornell University)|Oct 27, 2020

Meteorological Phenomena and Simulations被引用 8

一句话总结

本文提出一种基于大规模气候模拟训练的概率深度学习模型，即条件变分自编码器（CVAE），以改进季节性降水和气温预测。通过利用历史模拟中的物理关系，并采用变分贝叶斯方法进行不确定性量化，该模型在确定性和概率性技能方面均优于当前最先进的动力模型，同时通过显著性分析实现了对初始化误差和模型构型缺陷的诊断。

ABSTRACT

The path toward realizing the potential of seasonal forecasting and its socioeconomic benefits depends heavily on improving general circulation model based dynamical forecasting systems. To improve dynamical seasonal forecast, it is crucial to set up forecast benchmarks, and clarify forecast limitations posed by model initialization errors, formulation deficiencies, and internal climate variability. With huge cost in generating large forecast ensembles, and limited observations for forecast verification, the seasonal forecast benchmarking and diagnosing task proves challenging. In this study, we develop a probabilistic deep neural network model, drawing on a wealth of existing climate simulations to enhance seasonal forecast capability and forecast diagnosis. By leveraging complex physical relationships encoded in climate simulations, our probabilistic forecast model demonstrates favorable deterministic and probabilistic skill compared to state-of-the-art dynamical forecast systems in quasi-global seasonal forecast of precipitation and near-surface temperature. We apply this probabilistic forecast methodology to quantify the impacts of initialization errors and model formulation deficiencies in a dynamical seasonal forecasting system. We introduce the saliency analysis approach to efficiently identify the key predictors that influence seasonal variability. Furthermore, by explicitly modeling uncertainty using variational Bayes, we give a more definitive answer to how the El Nino/Southern Oscillation, the dominant mode of seasonal variability, modulates global seasonal predictability.

研究动机与目标

• 解决由于模型初始化误差、模型构型缺陷以及集合采样不足导致的季节性预报局限性。
• 利用海量气候模拟数据建立季节性预报技能的数据驱动基准。
• 开发一种概率深度学习框架，以提升预报准确性和可解释性。
• 诊断初始化误差和模型误差对季节可预报性的影响。
• 通过具有不确定性感知的建模方法，量化厄尔尼诺-南方涛动（ENSO）对全球季节可预报性的调制作用。

提出的方法

• 在多模型气候模拟数据上训练条件变分自编码器（CVAE），以学习预测变量与季节性气候变量之间的复杂物理关系。
• 模型采用变分贝叶斯方法显式建模预测不确定性，从而实现具有校准置信区间的概率预报。
• 应用显著性分析以识别影响季节性变化的关键预测变量，提升模型预测结果的可解释性。
• 使用标准化均方根误差（NRMSE）、连续 ranked probability skill score（CRPSS）和受试者工作特征曲线下面积（AUC）等标准指标评估预报性能。
• 该方法利用现有气候模拟作为“模型世界”，在无需额外动力模型运行的情况下训练和验证深度学习模型。
• 模型在准全球范围的季节性降水和近地表温度预报上进行评估，并与 NMME 动力集合预报进行对比。

实验结果

研究问题

• RQ1 在确定性和概率性技能方面，基于气候模拟训练的深度学习模型是否能超越当前最先进的动力季节性预报系统？
• RQ2 初始化误差和模型构型缺陷如何影响预报可靠性？能否通过该模型实现其量化诊断？
• RQ3 驱动季节性气候变异的关键预测变量是什么？能否通过可解释性技术识别其影响？
• RQ4 厄尔尼诺/南方涛动（ENSO）在多大程度上调制全球季节可预报性？该调制作用的不确定性如何量化？
• RQ5 数据驱动的深度学习模型能否作为评估和改进动力季节性预报系统的一种可靠基准？

主要发现

• CVAE 模型在包括 NRMSE 和 CRPSS 在内的多个指标上，相较于 NMME 动力集合预报展现出更优的确定性和概率性预报技能。
• 在 64% 的降水网格单元和 58% 的温度网格单元中，CVAE 模型的连续 ranked probability skill score（CRPSS）高于 NMME 四模型集合。
• 在降水预报中，CVAE 模型在 28% 的网格单元中相较于 NMME 平均值表现出显著更高的 AUC 分数，表明其分类预报可靠性更优。
• 显著性分析成功识别出 ENSO 指数和海表温异常等关键预测变量，作为季节性变异的主要驱动力。
• 模型量化表明 ENSO 以高不确定性调制全球可预报性，尤其在热带和太平洋地区，预报可靠性随 ENSO 相位而变化。
• 本研究证实，气候模拟数据可被有效用于训练出超越当前动力系统的模型，即使无需额外的动力模型运行。