طريقة تعلم عميق لتصحيح انحياز توقعات ECMWF لمدة 24–240 ساعة

الملخص تصحيح انحياز توقعات نماذج التنبؤ بالطقس العددية أمر مهم لتحذيرات الطقس القاسي. يتطلب توقع الشبكة المنقح تصحيح مباشر على منتجات التوقعات المتناوبة، بدلاً من تصحيح بيانات التوقعات فقط في محطات الطقس الفردية. في هذه الدراسة، تم اقتراح طريقة تعلم عميق تُسمى CU-net لتصحيح التوقعات المتناوبة لأربعة متغيرات جوية من نموذج النظام العالمي للتنبؤ بالتوقعات المتوسطة المدى من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF-IFS): درجة الحرارة على ارتفاع 2 متر، الرطوبة النسبية على ارتفاع 2 متر، سرعة الرياح على ارتفاع 10 متر، واتجاه الرياح على ارتفاع 10 متر، مع فترة توقع تبدأ من 24 ساعة إلى 240 ساعة في شمال الصين. أولاً، يتم تحويل مشكلة تصحيح التوقعات إلى مشكلة ترجمة من صورة إلى أخرى في التعلم العميق تحت معمارية CU-net، التي تعتمد على الشبكات العصبية التلافيفية. ثانياً، تُستخدم توقعات ECMWF-IFS وبيانات إعادة تحليل ECMWF (ERA5) من 2005 إلى 2018 كبيانات تدريب وتحقق واختبار. يتم إنشاء المتنبئات والعلامات (الحقيقة الأساسية) للنموذج باستخدام ECMWF-IFS وERA5، على التوالي. أخيرًا، يتم مقارنة أداء تصحيح CU-net بأسلوب تقليدي، وهو تصحيح رقمي من anomal بالتضارب مع الملاحظات (ANO). تظهر النتائج أن توقعات CU-net لديها خطأ متوسط الجذر التربيعي، انحياز، خطأ مطلق متوسط أقل، ومعامل ارتباط أعلى من تلك الخاصة بـ ANO لكل فترات التوقع من 24 ساعة إلى 240 ساعة. يحسن CU-net توقعات ECMWF-IFS لجميع المتغيرات الجوية الأربعة من حيث مقاييس التقييم المذكورة أعلاه، بينما يحسن ANO أداء ECMWF-IFS فقط لدرجة الحرارة على ارتفاع 2 متر والرطوبة النسبية. بالنسبة لتصحيح توقع اتجاه الرياح على ارتفاع 10 متر، الذي غالبًا ما يكون من الصعب تحقيقه، يحسن CU-net أيضًا أداء التصحيح.