博文
基于机器学习的全球骤旱预测
|
Global Prediction of Flash Drought Using Machine Learning
Geophysical Research Lettershttps://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024GL111134
骤旱是一种快速发展的极端天气事件，突然发生并迅速加剧。在次季节时间尺度上对骤旱进行全球预测仍然是一个巨大的挑战。目前最先进的动态模型误差很大，在全球骤旱预测方面表现出较低的技能。在这里，我们开发了一个基于机器学习的框架，该框架使用气象预报作为输入，预测 1 天到 2 周的全球根区土壤湿度和骤旱。结果表明，33% 和 24% 的全球骤旱开始和终止事件可以通过机器学习在 7 天的提前时间内正确预测，而最先进的动态模型的预测比例分别为 19% 和 11%。开发的机器学习模型在全球土壤湿度预测方面比动态模型有显著的改进，从而提高了空间和时间上的全球骤旱预报技能。提出的框架可能有利于次季节尺度上的全球骤旱预测和预警。
关键点
机器学习用于预测全球突发干旱，预测时间最快可达 2 周
33% 和 24% 的全球突发干旱开始和终止事件可以在 7 天内正确预测
机器学习比动态模型改进了全球突发干旱预测
鉴于对全球骤旱可预测性的理解有限，我们在此通过机器学习 (ML) 和最先进的动态模型在 1 天到 2 周的时间尺度上提供骤旱预报技能的全球视图。基于模型的气象预报和观测的初始条件共同作为基于 ML 的骤旱预报框架的输入。我们表明，数据驱动的机器学习方法可以大大减轻 RZSM 预测误差并提高骤旱预报技能。多源数据集和多模型集成用于验证开发的 ML 模型在全球骤旱预测中的有效性。全面比较了 ML 和动态 S2S 模型在不同提前期、大陆、空间位置和数据集上的骤旱预报技能。所提出的基于 ML 的预测模型可能有助于更好地了解全球骤旱预报能力，并为在次季节时间尺度上熟练的全球骤旱预警提供启示。
无论是 ML 还是 ECMWF 模型，骤旱预报技巧都会随着预报提前时间的增加而下降（图 1）。ML 模型可以在预报提前 1 天时正确预报全球大约 84% 的 FDO 事件（图 1a），而当预报提前 7 天和 14 天时，正确率分别降至 33% 和 17%。然而，ECMWF 模型在预报提前 1、7 和 14 天时分别只能正确捕捉到 51%、19% 和 14% 的 FDO 事件。与 ECMWF 模型相比，ML 模型的 FDO（FDT）HIT 技巧估计平均提高 4%–33%（1%–38%）（绝对值），而与 ECMWF 相比，在预报提前 1-14 天时，ML 模型的 FAR 预计平均降低 3%–34%（0%–38%）（图 1b）。在预报提前 1、7 和 14 天时，ML 模型的 FDO（FDT）事件错误预测百分比分别高达 15%（14%）、66%（75%）和 82%（91%），而 ECMWF 的这一比例分别为 48%（49%）、80%（87%）和 85%（91%）。对于 ETS，在预报提前 1–14 天时，ML 模型的 FDO（FDT）预测技巧估计比 ECMWF 模型高 2%–40%（0%–41%）（图 1c）。总体而言，基于 ML 的骤旱预测模型比 ECMWF 模型表现出更好的技巧，尤其是在短预报提前期内。
图 1 ECMWF 和 ML 模型在不同提前期的骤旱预报技巧。
根据统计分布，基于 ML 的骤旱预测技能相对于 ECMWF 模型通常表现出更好的精度（图 2）。FDO HIT 技能在 1 天（N = 5,518，p = 0.000）、7 天（N = 5,455，p = 5 × 10 −148）和 14 天（N = 5,462，p = 0.022）提前量时显示出 ML 与 ECMWF 模型的显著改进 （图 2a ）。同样，在 1 天（ N = 5,518，p = 0.000）、7 天（N = 5,455，p = 2 × 10 −213）和 14 天（N = 5,462，p = 4 × 10 −5）提前量时，ML 的 FDT 预测技能在 95% 显著性水平上表现出显著优于 ECMWF（图 2b）。对于 FAR 指标，与 ECMWF 模型相比，ML 模型在 1-14 天的预测时间范围内表现出显著的 FDO 和 FDT 技能改进（N > 5,400，p < 0.002）（图 2c和2d）。ETS 指标是一个平衡分数，同时考虑了命中率和误报率，这表明 ML 模型与 ECMWF 模型相比，在 FDO 和 FDT 预测方面有显著改进（N > 5,400，p < 0.024）（图 2e和2f）。
图2 骤旱预报技能的统计分布。
图 3展示了ML模型对3、7和10天预报的FDO预报技巧的空间模式。FDO预报的HIT和ETS得分在3天预报时在空间上保持相对较高（图 3a和3b），而在7和10天预报时迅速降低（图 3c-3f）。空间FDO技能热点分散，没有明显的空间聚集效应，这与FDO事件频率、开始速度、大气预报技巧、RZSM变化和气候条件有关（Jordan I. Christian等， 2021；Lesinger等， 2024；Pendergrass等， 2020）。FDT技能表现出与FDO相似的空间模式，技能在空间上的分布相对均匀（支持信息 S1中的图S6 ）。在空间上，基于 ML 的 FDO 和 FDT 预报技巧在全球大部分陆地上不同提前时间都比 ECMWF 有所改进（支持信息 S1中的图 S7–S8 ），表明 ML 比 ECMWF 具有空间优势。此外，基于 ML 的骤旱预报技巧在所有六大洲都比 ECMWF 模型表现出显著的优势（支持信息 S1 中的图 S9–S14 ）。
图3 不同提前时间的骤旱发生预测技能的空间模式。
由于骤旱是根据土壤湿度来定义的，我们绘制了 ML 和 ECMWF 的 RZSM 预报技巧以了解它们的差异。对于 RZSM 预报，在 1-14 天的预报时间范围内，ML 的预报与观测之间的异常相关性明显高于 ECMWF 模型（N = 6,646，p = 0.000）（图 4a）。对于 ML（ECMWF）模型的 RZSM 预报，在 1、7 和 14 天的预报时间范围内，全球平均异常相关系数（ACC）分别高达 0.99（0.79）、0.95（0.76）和 0.87（0.70），ACC 相对比 ECMWF 提高了 25%（图 4a）。 ACC 空间模式表明，在全球大部分地区，基于 ML 的 RZSM 预测技能在 7 天提前量时优于 ECMWF（图 4b），表明 ML 对 RZSM 技能的改进具有空间有效性。与 ECMWF 相比，ML 在中非、中亚和东亚、南美洲北部和北美洲西部表现出显著的 ACC 改进。预计 ML 的空间 RZSM 技能改进将优于 ECMWF，适用于不同的提前量（支持信息 S1中的图 S15 ），这在时空上解释了突发干旱预报技能的增强。
图4 ML 和 ECMWF 之间的 RZSM 预报技巧比较。
https://blog.sciencenet.cn/blog-3454870-1461348.html
上一篇：耦合地理加权和卷积长短期记忆神经网络的月尺度NDVI时空预测
下一篇：基于线性和非线性因果关系以及注意机制的土壤水分预测
