npj Climate and Atmospheric Science: Точные глобальные сезонные прогнозы с помощью модели машинного обучения, настроенной по данным реанализа
Модели машинного обучения, построенные на основе наблюдаемых атмосферных условий, могут превосходить традиционные физические модели в краткосрочных и среднесрочных (1–14 дней) прогнозах. В данной работе авторы берут модель машинного обучения ACE2, обученную прогнозировать 6-часовые шаги в атмосферной эволюции и способную сохранять стабильность в течение длительных периодов прогнозирования, и оценивают её с точки зрения пригодности для сезонного прогнозирования (с заблаговременностью 1–3 месяца). Используя данные об устойчивой температуре поверхности моря и аномалиях морского льда с центром в 1 ноября каждого года, они инициализировали ансамбль сезонных прогнозов с запаздыванием, охватывающий период с 1993/1994 по 2015/2016 годы. За этот 23-летний период наблюдается поразительное сходство в моделях предсказуемости с ведущей физической моделью. Модель ACE2 демонстрирует точные прогнозы Североатлантического колебания с корреляционной оценкой 0,47 (p = 0,02), а также реалистичное глобальное распределение точности и ансамблевого разброса. Изучение прогнозов зимы 2009/2010 годов указывает на потенциальные ограничения ACE2 в плане охвата экстремальных сезонных условий, выходящих за рамки обучающих данных. Данное исследование показывает, что модели машинного обучения погоды могут давать точные глобальные сезонные прогнозы и открывают новые возможности для более глубокого понимания, разработки и создания краткосрочных климатических прогнозов.