CNN-based Surface Temperature Forecasts with Ensemble Numerical Weather Prediction over Medium-range Forecast Periods
Takuya Inoue, Takuya Kawabata (Meteorological Research Institute, Tsukuba, Japan)
这项研究提出了一种方法,将卷积神经网络(CNN)与集成数值天气预报(NWP)模型集成在一起,使表面温度预测在短程(五天)预测期以外的时间。 由于计算资源有限,操作中程温度预测通常依赖于低分辨率的NWP模型,这些模型容易出现系统和随机错误。 为了解决这些限制,建议的方法首先通过基于CNN的后处理(偏差校正和空间超分辨率)在每个集成成员上减少系统错误,从低分辨率模型输出中重建高分辨率温度场。 其次,它通过 CNN 校正的成员的集合平均来减少随机错误。 这项研究还调查了 CNN 校正和整体平均的序列是否影响了预测的准确性。 为了与拟议的方法进行比较,我们还进行了 CNN 实验,对集合平均预测进行了训练。 首行方法——在集成平均之前进行 CNN 校正——持续地实现了比反向方法更高的精度。 虽然基于低分辨率的集成预测,但拟议的方法明显优于高分辨率确定性NWP模型。 这些发现表明,将基于CNN的校正与集成平均相结合有效地减少了NWP模型输出中的系统和随机错误。 拟议的方法是用于改进中程温度预测的实用且可扩展的解决方案,在计算资源有限的运营中心尤其有价值。
This study proposes a method that integrates convolutional neural networks (CNNs) with ensemble numerical weather prediction (NWP) models, enabling surface temperature forecasting at lead times beyond the short-range (five-day) forecast period. Owing to limited computational resources, operational medium-range temperature forecasts typically rely on low-resolution NWP models, which are prone to systematic and random errors. To resolve these limitations, the proposed method first reduces systemat...