Selektive Wiederverwendung vorheriger Ensemble-Daten verbessert die neueste Lufttemperaturvorhersage über Nordamerika

Genaue Wettervorhersagen von sub-saisonal bis saisonal (S2S) sind entscheidend für das Risikomanagement in der Gesellschaft, dennoch bleibt die Verbesserung der Vorhersagequalität eine Herausforderung. Ensemble-Vorhersagen mildern atmosphärisches Chaos, sind jedoch durch Rechenkosten und abnehmende Genauigkeit bei längeren Vorhersagezeiträumen begrenzt. Frühere Versuche, vorherige Ensemblevorhersagen einzubeziehen, führten kaum zu Verbesserungen der Genauigkeit der neuesten Vorhersage, da Mitglieder früherer Initialisierungen tendenziell die Vorhersagequalität verschlechtern. Hier stellen wir einen einfachen, aber leistungsfähigen Postprocessing-Ansatz vor, das lagged ensemble analog subselection (LEAS), das selektiv frühere Ensemblemitglieder auswählt, die die jüngsten Bedingungen am besten vorhergesagt haben. Mithilfe von Hindcasts der täglichen maximalen 2-m-Lufttemperatur über Nordamerika von vier hochmodernen S2S-Wettervorhersagemodellen zeigen wir, dass LEAS sowohl die deterministische als auch die probabilistische Genauigkeit über mehrere Wochen verbessert, auch bei extremen Hitzeereignissen. Die Methode reduziert systematische Verzerrungen sowie Varianzfehler und übertrifft konventionelle lagged Ensembles, ohne zusätzliche Simulationen oder Änderungen der Modellinitialisierung zu erfordern. Die Verbesserung beruht auf dem Herausfiltern schlecht performender Mitglieder und dem effektiven Nachahmen einer verbesserten Initialisierung sowohl atmosphärischer als auch Landoberflächenzustände. LEAS kombiniert Prinzipien der Analogvorhersage mit lagged Ensembles und erweitert deren Wirkung von kurzfristigen auf mehrwöchige Vorhersagen. Seine Einfachheit und Allgemeingültigkeit deuten auf eine breite Anwendbarkeit hin, nicht nur für maschinelles Lernen in der Wettervorhersage, sondern auch für andere prädiktive Systeme mit wiederholter Initialisierung, wie hydrologische, Klima- und Erdsystemmodelle. Durch die Gewinnung größeren Mehrwerts aus bestehenden Vorhersagedaten bringt LEAS uns dem obersten Limit der Vorhersagequalität innerhalb aktueller Modellrahmen näher, ohne zusätzliche Rechenbelastung zu verursachen.