[论文解读] Network-based Approach and Climate Change Benefits for Forecasting the Amount of Indian Monsoon Rainfall

Jingfang Fan, Jun Meng+6 more|arXiv (Cornell University)|Apr 14, 2020

Climate variability and models参考文献 58被引用 8

一句话总结

本研究提出一种基于网络的气候预测模型，利用全球近地表气温数据，实现对印度夏季季风降雨量（ISMR）5个月的提前预测，预测技巧达0.5。通过分析有向加权的气候网络，识别出中纬度南大西洋区域为关键预测热点，该区域与厄尔尼诺-南方涛动（ENSO）-季风遥相关关系紧密关联，全球变暖通过加强跨赤道遥相关作用，进一步提升预测技巧。

ABSTRACT

The Indian summer monsoon rainfall (ISMR) has a decisive influence on India's agricultural output and economy. Extreme deviations from the normal seasonal amount of rainfall can cause severe droughts or floods, affecting Indian food production and security. Despite the development of sophisticated statistical and dynamical climate models, a long-term and reliable prediction of the ISMR has remained a challenging problem. Towards achieving this goal, here we construct a series of dynamical and physical climate networks based on the global near surface air temperature field. We uncover that some characteristics of the directed and weighted climate networks can serve as efficient long-term predictors for ISMR forecasting. The developed prediction method produces a forecast skill of 0.5 with a 5-month lead-time in advance by using the previous calendar year's data. The skill of our ISMR forecast, is comparable to the current state-of-the-art models, however, with quite a short (i.e., within one month) lead-time. We discuss the underlying mechanism of our predictor and associate it with network-delayed-ENSO and ENSO-monsoon connections. Moreover, our approach allows predicting the all India rainfall, as well as forecasting the different Indian homogeneous regions' rainfall, which is crucial for agriculture in India. We reveal that global warming affects the climate network by enhancing cross-equatorial teleconnections between Southwest Atlantic, Western part of the Indian Ocean, and North Asia-Pacific with significant impacts on the precipitation in India. We find a hotspots area in the mid-latitude South Atlantic, which is the basis for our predictor. Remarkably, the significant warming trend in this area yields an improvement of the prediction skill.

研究动机与目标

• 开发一种长提前期的印度夏季季风降雨量（ISMR）预测方法，以克服当前统计模型和动力模型的局限性。
• 在气候网络中识别出在气候变化下仍保持稳健的稳定且具有物理解释性的预测因子。
• 提高对全印度及区域季风降雨量的预测精度，这对于农业规划和粮食安全至关重要。
• 探究全球变暖如何通过增强遥相关作用，改变气候网络拓扑结构并提升ISMR的可预测性。

提出的方法

• 利用全球近地表气温数据构建有向加权气候网络，节点为地理网格点，边基于时滞互相关性确定。
• 使用365天移动窗口内的归一化互相关函数，计算正向和负向连接强度，时间滞后最大达200天。
• 通过统计显著性检验（采用零模型）确定每个节点的入度时间序列，即显著连接（强度排名前5%）的入边数量。
• 将前一个日历年中各节点的入度时间序列用作后续季风季节ISMR的预测因子。
• 采用均方根技巧评分（MSSS）评估预测技巧，并与气候学基准进行比较。
• 利用历史数据验证该方法，并通过比较不同气候制度下的网络结构，分析全球变暖的影响。

实验结果

研究问题

• RQ1 前一个日历年气候网络的入度能否作为印度夏季季风降雨量（ISMR）的可靠长提前期预测因子？
• RQ2 南大西洋区域识别出的预测热点与ISMR变异性之间的物理机制是什么？
• RQ3 全球变暖如何通过增强遥相关作用，改变气候网络拓扑结构并提升ISMR的可预测性？
• RQ4 与当前最先进的模型相比，该网络方法在多大程度上提升了预测技巧，特别是在提前期方面？
• RQ5 该方法能否扩展用于预测印度同质气候区内的区域季风降雨量？

主要发现

• 所提出的方法利用前一个日历年数据，实现对ISMR的5个月提前预测，技巧达0.5。
• 关键预测因子为中纬度南大西洋区域的热点区，该区域显著变暖通过加强跨赤道遥相关作用，提升了预测技巧。
• 该预测因子与网络延迟ENSO及ENSO-季风连接关系紧密关联，解释了其预测能力。
• 全球变暖增强了西南大西洋、西印度洋与北亚太地区之间的遥相关作用，从而提高了ISMR预测的可靠性。
• 该模型成功预测2020年季风降雨量为842.85毫米，较长期平均值偏差-5%，展示了其实际应用潜力。
• 该方法不仅能准确预测全印度降雨量，还可实现对区域同质季风区的精准预测，支持区域性农业规划。