Einsatz von ML-Modellen für ein besseres Verständnis der subaisonalen Vorhersagbarkeit

Wissenschaftler untersuchen, wie rechnerisch kostengünstige, auf maschinellem Lernen basierende Wettervorhersagemodelle (MLWP) unser Verständnis tropisch-extratropischer Telekonnektionen verbessern können.

Zuverlässige Wettervorhersagen über einen Zeitraum von mehr als zwei Wochen sind entscheidend für die Vorbereitung aufextreme Wetterereignisse, die Unterstützung der Landwirtschaft und Planungen im Energiesektor. Diese sogenannte subsaisonale Zeitskala (2 Wochen bis 2 Monate) stellen herkömmliche numerische Wettervorhersagemodelle (NWP) jedoch aufgrund der inhärenten Grenzen der atmosphärischen Vorhersagbarkeit und systematischer Modellfehler vor Herausforderungen. In einer neuen Studie untersuchen Wissenschaftler der Arbeitsgruppe „Meteorologische Datenwissenschaften“, inwieweit Vorhersagen tropischer und extratropischer Telekonnektionen verbessert werden könnten, wenn MLWP-Modelle die Dynamik von Model tropischer Variabilität besser abbilden würden. Die als Relaxationsexperimente bekannte und in NWP-Modellen häufig verwendete Methode beschränkt Vorhersagen auf beobachtete Daten in bestimmten Regionen, um besser zu verstehen, wie Vorhersagefehler in einer Region die Vorhersagen in anderen Regionen beeinflussen.

Abbildung 1: Ensemble-Mittelwert der Vorhersagen für Woche 3–4, initialisiert am 15. Dezember 2022, mit der Anomalie der geopotentiellen Höhe auf 500 hPa im Verhältnis zur täglichen Klimatologie (Schattierung in m), der geopotentiellen Höhe auf 500 hPa (schwarze Konturen in m) und dem Feuchtigkeitstransport auf 850 hPa (grüne gestrichelte Linien). Die Spalten zeigen Vorhersagen von (a, d) UFS, (b, e) Pangu-Weather und (c, f) NeuralGCM. Die Zeilen zeigen Experimente (a, b, c) ohne Relaxation in den Tropen und (d, e, f) mit Relaxation in den Tropen. Das rote Rechteck kennzeichnet den Bereich für die Berechnung des ACC und MAE aus dem Ensemble-Mittelwert.

Die Studie untersucht, ob die Anwendung der tropischen Relaxation die subsaisonale Vorhersagegenauigkeit in zwei führenden MLWP-Modellen, Pangu-Weather und NeuralGCM, im Vergleich zum traditionellen Unified Forecast System (UFS)-Modell verbessern kann (Abbildung 1). Die Analyse konzentriert sich auf zwei Niederschlagsereignisse im Westen Nordamerikas während La Niña-Bedingungen zwischen Dezember 2022 (Abbildung 1) und Februar 2023 (nicht dargestellt).

„Modelle basierend auf maschinellem Lernen zeigen großes Potenzial für die Wettervorhersage, aber wir müssen noch verstehen, wie gut sie globale Zusammenhänge wie die zwischen den Tropen und den mittleren Breiten erfassen“, erklärt Hauptautor Siyu Li. „Durch die Anwendung von Relaxationsexperimenten können wir testen, ob die Reduzierung tropischer Vorhersagefehler dazu beiträgt, die Vorhersagen für Regionen wie den Westen Nordamerikas zu verbessern.“ Für eines der beiden Niederschlagsereignisse wurde festgestellt, dass eine bessere Abbildung der Prozesse in den Tropen zu besseren subsaisonalen Vorhersagen der außergewöhnlich hohen Tiefdruckaktivität führt, die die starken Niederschläge entlang der Westküste Nordamerikas verursacht hat.

Die Ergebnisse zeigen, dass Relaxationsexperimente sowohl auf Modelle, die nur auf maschinellem Lernen basieren, als auch auf Hybridmodelle erfolgreich angewendet werden kann und neue Möglichkeiten bietet, Fehlerquellen zu vergleichsweise geringen Rechenkosten zu identifizieren.

Den Artikel finden Sie unter: https://essopenarchive.org/users/960239/articles/1337598-relaxation-experiments-in-ml-based-weather-prediction-models-to-study-subseasonal-predictability