[论文解读] Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data

George Miloshevich, Bastien Cozian+3 more|arXiv (Cornell University)|Aug 1, 2022

Meteorological Phenomena and Simulations被引用 8

一句话总结

本文提出一种深度学习框架，利用8,000年气候模型模拟数据训练卷积神经网络（CNNs），对法国14天内极端高温事件进行概率性预报，即使在传统方法失效的数据稀缺区域，也能实现对快速动力驱动因素（500 hPa位势高度）的15天提前预测，对慢速驱动因素（土壤湿度）的预测时间更长。

ABSTRACT

Understanding extreme events and their probability is key for the study of climate change impacts, risk assessment, adaptation, and the protection of living beings. Forecasting the occurrence probability of extreme heatwaves is a primary challenge for risk assessment and attribution, but also for fundamental studies about processes, dataset and model validation, and climate change studies. In this work we develop a methodology to build forecasting models which are based on convolutional neural networks, trained on extremely long climate model outputs. We demonstrate that neural networks have positive predictive skills, with respect to random climatological forecasts, for the occurrence of long-lasting 14-day heatwaves over France, up to 15 days ahead of time for fast dynamical drivers (500 hPa geopotential height fields), and also at much longer lead times for slow physical drivers (soil moisture). This forecast is made seamlessly in time and space, for fast hemispheric and slow local drivers. We find that the neural network selects extreme heatwaves associated with a North-Hemisphere wavenumber-3 pattern. The main scientific message is that most of the time, training neural networks for predicting extreme heatwaves occurs in a regime of lack of data. We suggest that this is likely to be the case for most other applications to large scale atmosphere and climate phenomena. For instance, using one hundred years-long training sets, a regime of drastic lack of data, leads to severely lower predictive skills and general inability to extract useful information available in the 500 hPa geopotential height field at a hemispheric scale in contrast to the dataset of several thousand years long. We discuss perspectives for dealing with the lack of data regime, for instance rare event simulations and how transfer learning may play a role in this latter task.

研究动机与目标

• 开发一种机器学习框架，能够在数据稀缺区域实现极端高温事件的概率性预报。
• 评估在历史数据不足以支持罕见事件建模时，基于长期气候模拟训练的深度学习模型的预测能力。
• 探究快速（动力）与慢速（热力学）大气驱动因素在高温事件形成中的作用。
• 评估2 m温度场是否在500 hPa位势高度和土壤湿度之外提供额外的预测价值。
• 探索在捕捉罕见事件统计特性方面，短时训练数据集（如100年）与长时数据集（数千年的）之间的局限性。

提出的方法

• 基于8,000年PlaSim气候模型输出，训练基于3D U-Net的卷积神经网络，以预测14天内高温事件的概率。
• 以500 hPa位势高度和土壤湿度为主要预测变量，2 m温度作为次要测试变量。
• 采用概率损失函数进行模型训练，以实现不确定性量化和预报可靠性评估。
• 将预测结果与气候学基线进行对比，通过排名概率评分和Brier评分评估预测能力。
• 实施迁移学习和罕见事件模拟策略，以应对极端事件建模中的数据稀缺问题。
• 使用模型可解释性工具识别与高温事件相关的物理模式，如三波数结构。

(a)

实验结果

研究问题

• RQ1 在观测数据有限的情况下，基于长期气候模拟训练的卷积神经网络能否提供可靠的极端高温事件概率预报？
• RQ2 当比较100年与数千年的数据集时，模型的预测能力如何随训练数据集长度变化？
• RQ3 快速动力驱动因素（如500 hPa位势高度）与慢速热力学驱动因素（如土壤湿度）在高温事件可预报性中的相对贡献是什么？
• RQ4 在500 hPa位势高度和土壤湿度之外，是否加入2 m温度场能进一步提升高温事件预报能力？
• RQ5 根据训练后的模型，哪些物理模式（如罗斯贝波结构）对极端高温事件具有最强预测能力？

主要发现

• 该模型在快速动力驱动因素（500 hPa位势高度）上实现了显著的预测能力，可提前15天预报，对慢速驱动因素（土壤湿度）的预测时间更长，且显著优于随机气候学基线。
• 使用100年数据集训练时，预测能力急剧下降，且无法从大尺度500 hPa位势高度场中提取有效信息，而使用8,000年数据集训练则无此问题。
• 即使使用数千年的训练数据集，大尺度位势高度场的预测能力仍未收敛，表明数据稀缺问题持续存在。
• 模型识别出北半球三波数模式是极端高温事件的关键预测因子，该模式与持久性反气旋异常相关。
• 2 m温度场在500 hPa位势高度和土壤湿度已捕获的信息之外，未提供额外的统计预测信息。
• 本研究表明，大多数大尺度气候现象（包括高温事件）均处于严重数据稀缺的训练环境中，因此需要使用长期模拟数据集或先进技术（如迁移学习和罕见事件模拟）来应对。

(b)