npj Climate and Atmospheric Science: Прогнозирование сезонного климата на основе данных с использованием вариационного вывода и трансформеров
Большинство поставщиков оперативных климатических услуг основывают свои сезонные прогнозы на инициализированных моделях общей циркуляции атмосферы или эмпирических статистических методах. Модели общей циркуляции атмосферы широко используются, но требуют значительных вычислительных ресурсов, что ограничивает их возможности. В отличие от них, статистические методы часто не обладают достаточной надёжностью из-за коротких рядов доступных исторических данных. В недавних работах предлагаются методы машинного обучения, основанные на выходных данных климатических моделей, с использованием больших объёмов выборки. Тем не менее, многие из этих исследований сосредоточены на задачах прогнозирования, которые могут быть ограничены в пространственном или временном масштабе, что создаёт разрыв с существующими оперативными прогнозами. Другие не могут разделить источники точности в контексте изменения климата, где сильные тренды дают ложные оценки. В этом исследовании вариационный вывод сочетается с трансформерами для прогнозирования глобальных и региональных сезонных аномалий температуры и осадков. Модель обучена на выходных данных CMIP6 и протестирована с использованием данных реанализа ERA5. Прогнозы температуры демонстрируют точность, превосходящую климатологические данные и тенденции изменения климата, и даже превосходят передовую численную систему SEAS5 в некоторых океанических и наземных районах. Прогнозы осадков показывают более ограниченную точность: меньше регионов превосходят как климатологические данные, так и SEAS5. Кроме того, согласованность, обнаруженная как в удалённых связях, так и в пространственных закономерностях точности по сравнению с SEAS5, предполагает, что обе системы основаны на схожих источниках предсказуемости.
