用于次季节风预报后处理的统一深度学习框架

《Scientific Reports》：A unified deep learning framework for subseasonal wind forecast post-processing

　　

摘要

精确的次季节到季节性风速预报对于优化海上作业、可再生能源管理以及气候风险评估至关重要，但目前这类预报在较长的预测时效内的准确度往往较低。本文基于3D U-Net架构，开发了一种统一的深度学习后处理框架，用于提升北太平洋近海区域的SINTEX-F2风速预报精度。该框架可用于偏差校正、统计降尺度处理以及最长12周预测时效内的概率预测。与传统的统计方法和机器学习方法相比，U-Net能够消除系统性偏差，持续降低均方根误差，提高数据相关性，同时更准确地呈现预报的变异性和风速分布情况。降尺度处理则在保持高分辨率的同时提升了空间一致性，且不会降低预报的确定性精度。该框架还提升了概率预报的性能，降低了连续等级概率得分，同时提高了所有测试季节和预测时效下的等级概率精度得分。有序分类方法在类别预报方面表现最佳，而基于回归的集成校正方法则几乎保留了所有的概率预报优势，同时为后续应用提供了物理上合理的风场数据。在针对五种不同预报系统的额外测试中，U-Net使北太平洋第3–4周的均方根误差和连续等级概率得分分别降低了13%和15%。这些结果表明，统一的深度学习框架确实能够提升次季节到季节性风速预报的精度和实用价值。