机器学习在天气和气候中的应用需要更加关注极端情况
摘要：机器学习在预测和模拟典型天气事件方面具有改进的技能。对于短期和季节性天气预报、将模拟结果降尺度到更高分辨率以及模型参数化的仿真和加速等任务，许多研究使用了具有非常高数量参数的机器学习方法，如神经网络，本文主要讨论这一点。然而，对于与许多关键天气和气候预测应用相关的极端事件严重性的性能，这些方法并没有受到很多关注，例如数年的重返周期。这给这些方法的有用性留下了很多不确定性，尤其是对于那些在极端情况下需要可靠性表现的通用预测系统。机器学习模型可能难以预测极端事件，因为通常很少有此类事件的样本。然而，也有一些研究表明，机器学习模型在极端天气方面可以具有合理的技能，并且在需要外推的情况下使用它们并非无望。本文回顾了这些研究，并提出这是一个需要更多研究的领域。讨论了获取更好地了解机器学习模型在预测极端天气事件方面表现如何的方法。
作者：Peter AG Watson
论文ID：2207.07390
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-08-30