数据驱动的天气预报的兴起
摘要：数据驱动的基于机器学习（ML）的建模在天气预报方面显示出巨大的潜力。在某些应用中已经取得了令人瞩目的进展和令人印象深刻的结果。ML方法的采用可能对传统数值天气预报（NWP）的渐进进展产生重大影响，这被称为天气预报的“安静革命”。运行使用标准NWP系统的预报的计算成本极大地阻碍了通过增加模型分辨率和集合大小来实现改进。新一代ML模型的出现，使用高质量的再分析数据集（如ERA5）进行训练，可以实现需求更低的计算成本，并在准确性方面具有高竞争力。在这里，我们首次在操作环境下将ML生成的预报与基于标准NWP的预报进行比较，其初始条件相同。我们专注于确定性预测，并应用常见的预测验证工具来评估最近开发的一个ML模型（PanguWeather）生成的数据驱动预报在质量和属性方面与全球领先的NWP系统（ECMWF IFS）的预报的匹配程度。结果非常有希望，对全球指标和极端事件的验证表明，与操作分析和天气观测相比，这两种预报具有可比较的技能。当前ML基础预报的缺点是预报提前时间的平滑性和偏差漂移的增加。一个新的NWP范例正在出现，它依赖于ML模型的推断，并使用最先进的分析和再分析数据集进行预报初始化和模型训练。
作者：Zied Ben-Bouallegue, Mariana C A Clare, Linus Magnusson, Estibaliz Gascon, Michael Maier-Gerber, Martin Janousek, Mark Rodwell, Florian Pinault, Jesper S Dramsch, Simon T K Lang, Baudouin Raoult, Florence Rabier, Matthieu Chevallier, Irina Sandu, Peter Dueben, Matthew Chantry, Florian Pappenberger
论文ID：2307.10128
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-07-20