基于物理模型与数据驱动的北热带非洲24小时降水概率预报对比

基本信息

• 标题：Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa
• 作者：Eva-Maria Walz、Peter Knippertz、Andreas H. Fink、Gregor Köhler、Tilmann Gneiting
• 提交时间：2024年1月8日（v1）
• arXiv 编号：arXiv:2401.03746 [physics.ao-ph]
• DOI：https://doi.org/10.48550/arXiv.2401.03746

主题分类

• 主分类：大气与海洋物理（physics.ao-ph）
• 交叉分类：统计应用（stat.AP）

摘要

数值天气预报（NWP）模式在预报热带降水的发生与量级方面表现不佳，亟需替代方法。已有研究表明，对于西非夏季风，相当简单的、纯数据驱动的逻辑回归模型在24小时降水发生预报上，优于气候学和NWP预报。然而，由于降水的非高斯特性，更复杂的神经网络方法仍发展不足。

本研究开发、应用并评估了一种新颖的两阶段方法：首先利用 U-Net 卷积神经网络（CNN）在网格化降水数据上训练，得到确定性预报；然后应用新近提出的非参数 Easy Uncertainty Quantification（EasyUQ）方法，将其转化为概率预报。

研究以 IMERG（Integrated Multi-satellitE Retrievals for GPM）数据作为地面真值，评估 CNN+EasyUQ 对2011—2019年北热带非洲提前一天、24小时累积降水的预报效果。在迄今最全面的评估中，作者将 CNN+EasyUQ 与当前最先进的基于物理和数据驱动的方法进行比较，包括：逐月概率气候学、ECMWF 原始及后处理集合预报，以及使用来自 IMERG 和 ERA5 再分析的多达25个预测变量的传统统计方法。

主要结果：
- 传统统计方法的表现与后处理的 ECMWF 集合预报大致相当；
- CNN+EasyUQ 方法在降水发生与量级两方面均明显优于所有对比方法；
- 将 CNN+EasyUQ 与基于物理的预报相结合的混合方法，可进一步提升效果。

因此，CNN+EasyUQ 方法有望改进热带地区（甚至可能更广范围）的业务化降水概率预报。

关键方法

• U-Net 卷积神经网络（CNN）：用于生成确定性降水预报
• EasyUQ（Easy Uncertainty Quantification）：非参数方法，将确定性预报转化为概率预报
• 对比方法：逐月概率气候学、ECMWF 原始及后处理集合预报、基于 IMERG 与 ERA5 预测变量的传统统计方法

数据与评估

• 研究区域：北热带非洲
• 评估时段：2011—2019年
• 地面真值：IMERG 数据
• 预报目标：提前24小时累积降水概率预报