Nature Communications: Модель машинного обучения, превосходящая традиционные глобальные модели субсезонного прогнозирования
Качественные субсезонные прогнозы имеют решающее значение для различных секторов общества, но представляют собой грандиозную научную задачу. В последнее время прогнозы моделей прогнозирования погоды на основе машинного обучения превосходят самые успешные численные прогнозы погоды, созданные Европейским центром среднесрочных прогнозов погоды (ECMWF), но пока не превзошли обычные модели в субсезонных временных масштабах. В этой статье представлена FuXi Subseasonal-to-Seasonal (FuXi-S2S), модель машинного обучения, которая обеспечивает глобальные ежедневные средние прогнозы до 42 дней, охватывающие пять атмосферных переменных верхних слоёв воздуха на 13 уровнях давления и 11 поверхностных переменных. FuXi-S2S, обученная на 72 годах ежедневной статистики из данных реанализа ECMWF ERA5, превосходит современную модель ECMWF Subseasonal-to-Seasonal в ансамблевых средних и ансамблевых прогнозах для общего количества осадков и исходящей длинноволновой радиации, что значительно улучшает глобальный прогноз осадков. Улучшенная производительность FuXi- S2S может быть в первую очередь обусловлена её превосходной способностью улавливать неопределённость прогноза и точно предсказывать осцилляции Маддена-Джулиана, расширяя хорошее предсказание этой осцилляции с 30 до 36 дней. Более того, FuXi-S2S не только улавливает реалистичные удалённый связи с осцилляцией Маддена-Джулиана, но и выступает в качестве ценного инструмента для обнаружения сигналов-предшественников, предлагая исследователям идеи и потенциально устанавливая новую парадигму в исследованиях наук о системе Земли.
