机构名称：
¥ 2.0
摘要：机器学习的预测准确性（ML）天气预测模型正在迅速改善，导致许多人谈到“天气预报的第二次革命。”有了多种方法正在开发和有限的物理保证，ML模型提供了对这些新兴技术的全面评估的迫切需要。虽然这一需求已被基准数据集完成了部分满足，但它们几乎没有提供有关稀有和有影响力的例外事件或复合冲击指标的信息，因为该模型的准确性可能由于变量之间的依赖而降低了。为了解决这些问题，我们比较了ML天气预测模型（Graphcast，Pangus-Weather和Fourcastnet）和ECMWF在三个案例研究中的高分辨率预测系统（HRES）：2021年西北西北热场，2023年南亚Humid Heatwave，以及2021年North American Winter Storm in 20221。我们发现，ML天气预测模型在局部实现了与创纪录的西北热波上的HRE相似的精度，但是当在时空和时间上汇总时表现不佳。但是，他们预测复合冬季风暴基本上是赌注。我们还强调了HRES和ML模型的误差如何构建该事件的结构差异。ML预测缺乏重要的变量，用于详细评估2023湿热的健康风险。使用可能的替代变量，预测误差显示了ML模型估计的孟加拉国危险水平最高的空间模式。通常，案例研究 - 以影响为中心的驱动，以影响为中心的评估可以补充现有的研究，增加公共信任，并有助于开发可靠的ML天气预测模型。
在最近的高影响力极端事件上验证深度学习天气预报模型
主要关键词
相关文件推荐
