Optimierung saisonaler bis dezidaler Analogvorhersagen mit einer erlernten räumlich gewichteten Maske

Zusammenfassung Die saisonale bis dezidale Klimavorhersage ist entscheidend für die Entscheidungsfindung in einer Vielzahl von Branchen, jedoch haben Vorhersagen auf diesen Zeitrahmen begrenzte Fähigkeiten. Hier entwickeln wir eine datengestützte Methode zur Auswahl optimaler Analogien für saisonale bis dezidale Analogvorhersagen. Mithilfe eines interpretierbaren neuronalen Netzwerks lernen wir eine räumlich gewichtete Maske, die quantifiziert, wie wichtig jeder Gitterpunkt ist, um zu bestimmen, ob sich zwei Klimazustände ähnlich entwickeln werden. Wir zeigen, dass Analogien, die mithilfe dieser gewichteten Maske ausgewählt wurden, genauere Vorhersagen bieten als solche, die mit traditionellen räumlich einheitlichen Methoden ausgewählt werden. Diese Methode wird an zwei Vorhersageproblemen getestet, die das Max-Planck-Institut für Meteorologie Grand Ensemble nutzen: Mehrjahresvorhersage der Oberflächentemperaturen im Nordatlantik und saisonale Vorhersage der El Niño Southern Oscillation. Diese Arbeit demonstriert einen methodischen Ansatz zur Auswahl von Analogien, der nützlich sein kann, um saisonale bis dezidale Vorhersagen zu verbessern und ihre Quellen der Genauigkeit zu verstehen.