通过扩散多智能模型进行ENSO概率预报

《Ocean Modelling》:ENSO probability forecasting by diffusing multi-intelligent models

【字体: 大 中 小 】 时间:2026年09月27日 来源:Ocean Modelling 3.1

编辑推荐:

   •我们提出了一种基于扩散的集合成员生成方法。•集合预报通过扩散多智能模型的预测生成。•集合预报生成效率更高,且具有更优的不确定性表征。•SSR和CRPS指标在ENSO概率预报中优于其他指标。•RMSE降低12%,Ni?o 3.4指数相关性高于其他方法。 1. 引言 厄尔

  

•我们提出了一种基于扩散的集合成员生成方法。•集合预报通过扩散多智能模型的预测生成。•集合预报生成效率更高,且具有更优的不确定性表征。•SSR和CRPS指标在ENSO概率预报中优于其他指标。•RMSE降低12%,Ni?o 3.4指数相关性高于其他方法。

1. 引言
厄尔尼诺-南方涛动(ENSO)是热带太平洋区域年际气候变率的主导模式,对全球天气和气候产生广泛影响,包括水文极端事件、热带气旋活动和季风变率(Philander, 1983)。集合预报是一种广泛使用的策略,用于量化预报不确定性、评估预测置信度并提高ENSO展望的概率可靠性(Leith, 1974)。然而,尽管数值和统计ENSO预报系统取得了进展(Kirtman等,2014;Tang等,2018),但为ENSO预报生成大规模、高质量的集合预报仍然是一项挑战。

近年来,我们研究团队开发了三个确定性智能ENSO预报模型,每个模型针对ENSO系统的不同动力或统计特性。如表1所示,ENSO-ASC模型通过显式建模热带太平洋区域的多变量相互作用,专注于捕捉海气耦合过程(Mu等,2021)。ENSO-GTC模型强调对ENSO演化具有重要意义的全球遥相关路径和多洋盆相互作用(Mu等,2022b)。ENSO-MC模型分析厄尔尼诺型(EP型)或中部型(CP型)事件的前兆,并识别ENSO预报的目标观测敏感区域(Mu等,2022a;Qin等,2024)。这些模型已展现出具有竞争力的确定性预报技巧,并参与了实时ENSO预报活动。具体而言,这三个模型的预测结果自2022年至2025年已八次参与由中国国家海洋环境预报中心组织的ENSO春秋季会商会议。此外,自2024年5月起,这三个模型的平均预测结果已被纳入国际气候与社会研究所(IRI)和美国气候预测中心(CPC)的实时ENSO预报系统中。

图1展示了IRI于2025年8月发布的ENSO预报产品,其中我们三个模型的平均预测结果被纳入ENSO多模型集合(MME)系统作为一部分。2024年5月至2025年6月的观测验证表明,我们的预测在Ni?o 3.4指数上的RMSE优于大多数其他模型,为0.177 °C。尽管我们已实现出色的预报,但当前多模型集合方法仅通过平均结合预测结果,缺乏集合多样性和不确定性表征能力(Sanderson等,2015;Abramowitz等,2019)。为进一步提升ENSO预报技巧,我们需要专注于确定集合成员生成的最优方法,进而构建集合预报系统。

表1 三个ENSO智能模型的对比

模型 | 核心机制 | 基础网络 | 数据来源 | 预报时效 | 空间尺度
---|---|---|---|---|---
ENSO-ASC | 海气耦合 | 图网络 | REMSS & NOAA/CIRES | 18个月 | 40°S–40°N, 160°E–90°W
ENSO-GTC | 海洋遥相关 | 图网络 | HadiSST | 18个月 | 全球海洋
ENSO-MC v1.0 | 多通道数据驱动 | UNet | ERA5 & GODAS | 16个月 | 40°S–40°N, 120°E–80°W

注:预报时效指相关系数≥0.5的预报时长。
a ENSO-MC模型目前有两个版本:v1.0(Mu等,2022a)和v2.0(Qin等,2024);本研究中所有实验和结果均基于v1.0版本。

传统的集合生成策略包括扰动初始条件(PIC)方法和扰动模型参数(PMP)方法。例如,GFDL SPEAR系统采用PIC方法生成ENSO集合成员(Delworth等,2020)。然而,该策略需要大量计算资源,限制了集合成员的数量。扰动模型参数方法(通过调整参数生成多模型集合)需要多次数值模式积分或重复训练智能模型(Mu等,2025),同样面临类似问题(Shiogama等,2012;Irvine等,2013)。此外,由于最优的初始扰动或参数扰动难以确定(Mu等,2003;Dou和Duan,2019),集合离散度可能不足,导致预报不确定性的表征受限。

图1 IRI于2024年8月发布的多模型集合ENSO预报。??轴上的字母表示连续三个月期的缩写,??轴显示不同模型预测的Ni?o 3.4指数值。红色曲线代表我们的预报结果,成功预测了2024年末Ni?o 3.4指数的最小值,绿色曲线代表观测值。

为了更高效地生成高质量集合成员,本研究提出了一种通用方法,通过扩散确定性智能模型的预测来生成集合。扩散模型通过从高斯噪声开始的迭代去噪过程生成样本(Ho等,2020),近年来已成为气象学中的有力工具(Price等,2023;Asperti等,2023)。它们能以极低的计算成本生成大量样本,产生连续分布而非离散集合集,并可调整生成样本以更好地与观测统计对齐(Li等,2023;Andrae等,2025)。与以往直接将扩散模型应用于短期气象集合预报的研究不同(Asperti等,2023;Nai等,2024),我们的方法并非旨在替代确定性预报模型,而是将确定性模型预测作为条件输入,利用扩散模型扩展集合空间,从而改善预报不确定性的表征。我们的方法中,去噪网络采用UNet架构(Ronneberger等,2015)并结合自注意力机制(Bahdanau等,2014)构建。此外,我们将标准MSE损失函数进行修改,通过纳入集合离散度作为惩罚项,以解决离散度不足的问题(Andrae等,2024)。

基于上述方法构建ENSO集合成员生成模型时,我们使用ENSO-ASC、ENSO-GTC和ENSO-MC模型的预测(预报时效为6、12、18、24个月)作为条件输入,并以ERA5再分析数据(Hersbach等,2020)作为真值。由于智能模型预测数据集的时间跨度有限,我们采用两阶段迁移学习策略:首先在GFDL SPEAR集合预报数据集上对ENSO集合成员生成模型进行预训练,然后分别使用三个智能模型在6、12、18和24个月预报时效下的预测进行微调,最终得到四个微调模型。为优化我们的ENSO集合成员生成模型,我们在损失函数、输入模型组合和扩散步数方面进行了消融实验。

利用我们的ENSO集合成员生成模型,进一步构建了一个包含30个集合成员的ENSO集合预报系统(预报时效为6、12、18和24个月)。使用2020年1月至2024年12月的数据,从概率预报和确定性预报两方面评估系统性能。在概率技巧方面,我们的系统在SSR和CRPS集合指标上优于其他系统,并在Talagrand图中展现出增强的可靠性。在确定性技巧方面,系统集合平均的RMSE降低约12%,Ni?o 3.4指数相关性系数有所提高。此外,在案例分析中,预报时效为12个月的ENSO集合预报系统成功预测了2023年厄尔尼诺事件以及2020至2023年的连续拉尼娜事件,而后者未被大多数其他系统捕捉到(Wang等,2023)。

总体而言,本研究是首次尝试将扩散模型应用于ENSO集合预报。结果表明,我们的ENSO集合预报系统不仅提高了预报技巧,还确保了集合离散度的更好平衡,从而生成具有增强可靠性和改善不确定性表征的集合成员,进而提升ENSO事件的预报技巧。

本文结构如下:第2节介绍集合成员生成的通用方法;第3节描述我们的ENSO集合成员生成模型,重点关注数据和最优配置;第4节详细说明我们的ENSO集合预报系统的结果与分析;第5节给出结论与讨论。

2. 集合成员生成的通用方法

在本研究中,我们开发了一种基于扩散的集合生成方法,该方法适用于使用一个或多个确定性模型作为条件输入的预报系统。以下从两个方面详细描述我们的方法:集合成员生成的扩散过程和逆向去噪过程????的架构。

图2 (a) 集合成员生成的扩散过程:确定性模型预测??1,??2,…,????被堆叠为多通道条件输入,并注入高斯噪声潜在空间。重复执行去噪过程??????步生成一个集合成员,运行该过程??次可得到??个集合样本。(b) 逆向去噪过程????的架构:前一步的去噪状态?????与条件通道拼接后输入至具有四次下采样和上采样阶段的UNet中。瓶颈附近的自注意力层捕捉跨变量物理依赖关系。网络输出预测噪声?????,用于计算下一步的去噪场??????1。

2.1 集合成员生成的扩散过程

图2(a)概述了这种统一的集合生成方法。核心思想是将现有预报模型的输出场作为条件约束,引导扩散过程,使生成模型能够学习预报场相关的统计不确定性。给定一组确定性预测??1,??2,…,????,扩散模型在训练和推理过程中均以这些输入为条件,学习从含噪潜在状态到物理一致场的映射,最终通过重复采样生成多个集合成员。如图2(a)所示,多个模型输出被堆叠为条件通道并注入高斯噪声潜在空间;通过由????控制的迭代去噪过程,扩散模型生成??个集合样本,每个样本通过执行??步去噪过程获得。

在训练阶段,预报时间??的再分析或观测数据??0通过??步前向加噪过程??逐步转换为高斯白噪声????。加噪过程??的每一步定义如公式(1)所示,其中????代表第??步添加的高斯噪声(从高斯分布??中采样)。方差调度参数????(1≤??≤??)与加噪的时间步相关(Ho等,2020)。在本研究中,????被设定为递增序列,以控制每步的噪声强度。

(1) ???? = √(1?????) ?????1 + √???? ????, ???? ~ ??(0, ??)

在每次去噪步骤中,首先从????中随机抽取一个样本?????,然后迭代执行??步去噪以获得样本集成员???0。在第??步去噪时,输入??1,??2,…,????沿通道维度与?????(其中??=?????+1)拼接,并输入噪声预测网络????(其中??表示网络内部参数),产生输出?????,如公式(2)所示。这里,?????表示对应于第??步添加噪声的噪声,由噪声预测网络近似。随后通过去噪层获得去噪结果??????1,其计算表达为公式(3)。

(2) ????? = ????(?????, ??1, ??2, …, ????)

(3) ??????1 = (1/√????) (????? ? (√(1??????)/√????) ?????) + √((1?????)(1???????1)/(1??????)) ??, ?? ~ ??(0, ??)

其中,???? = 1?????,????? = ∏_{??=1}^{??} ????,?? 是从标准正态分布??(0, ??)中随机采样的高斯噪声。由于每次去噪步骤都需要从高斯分布中采样随机扰动??,这确保了集合成员生成的随机性。通过调整系数????,可以间接影响扰动??的强度,从而控制生成集合成员之间的离散度。

在推理阶段,训练好的去噪网络????用于生成集合成员。具体而言,将高斯白噪声与多模型预报结果??1,??2,…,????沿通道维度拼接,并经过??步????去噪,生成一个集合成员。通过重复推理??次(每次包含??步????),共生成??个集合成员,记为????1??, ????2??, …, ???????。

2.2 逆向去噪过程????的架构

去噪网络的设计是我们在生成物理一致的集合成员时的关键。如图2(b)所示,去噪网络????由噪声预测网络????和去噪层组成。

在本研究中,我们采用UNet架构作为噪声预测网络????的主干网络。输入数据首先经过四个下采样层进行处理,每层由一个卷积层(LeCun等,1989)和一个池化层(LeCun等,1998)组成,以逐步提取局部特征。随后,数据通过一个自注意力层来捕捉输入变量的潜在物理特征。接着,网络使用四个上采样层重建原始特征,每层由一个转置卷积层和一个卷积层组成。值得注意的是,我们在每个上采样层中引入了跳跃连接(He等,2016),将对应下采样层的池化输出作为输入。这种设计能够整合浅层空间细节,并增强网络恢复细粒度特征的能力。对于????的每次迭代,上一步的去噪输出?????沿着通道维度与多模型输出??1,??2,…,????进行拼接作为输入。该输入随后送入噪声预测网络????以估计加噪过程中添加的噪声,从而产生预测噪声?????。最后,通过应用公式(3)中描述的去噪层,获得下一个去噪结果??????1。本研究使用Kullback–Leibler(KL)散度(Kullback和Leibler,1951)来衡量第??步添加的噪声????与噪声预测网络????拟合的预测噪声?????之间的分布差异。在正态分布假设下,优化KL散度可简化为最小化均方误差(MSE)(Minka,2001)。因此,损失函数可转化为MSE损失,如公式(4)所示,其中??表示数学期望。(4)???(??)=???[|??????????(????,??1,??2,…,????)|2]然而,上述损失函数仅考虑了预测噪声与真实噪声之间的精度偏差,这导致多次推理得到的集合成员相对相似(即多样性较低)。因此,本研究利用噪声预测网络生成多个预测噪声,并将这些预测噪声方差的倒数作为加权项添加到原始MSE损失中,如公式(5)所示。(5)???(??)=???[(1???)?(????mean?[??(1)??,…,??(??)??])2+???(var?[??(1)??,…,??(??)??])?1]其中,??(1)??,??(2)??,…,??(??)??分别代表噪声预测网络????拟合??次的结果;mean表示均值,var表示方差,??是控制方差倒数项贡献度的加权因子。3. 基于我们方法的ENSO集合生成模型基于上述生成集合成员的通用方法,我们在本节中构建了ENSO集合生成模型。在我们的模型中,确定性预报来自三个智能ENSO模型——ENSO-ASC、ENSO-GTC和ENSO-MC(即图2中??=3)。其海表温度(SST)预报被标准化为统一的空间和时间分辨率,并沿通道维度拼接以形成扩散过程中的条件输入。ERA5再分析数据(SST)作为真实值。为生成具有不同预见期的ENSO集合成员,我们使用不同的预见期预报(具体为6个月、12个月、18个月和24个月预见期)训练模型,从而得到四个ENSO集合生成模型。以下,我们重点关注我们模型的两个方面:数据及其预处理,以及最优模型配置。3.1. 数据为训练我们的集合生成模型,使用了三种数据:用于预训练的GFDL SPEAR数据集,用于微调的包括ENSO-ASC、ENSO-GTC和ENSO-MC的智能模型预报数据集,以及作为真实值的ERA5再分析数据(SST)数据集。本研究使用的数据集总结如表2所示。GFDL SPEAR数据集来自地球物理流体动力学实验室(GFDL)无缝预报与地球系统研究(SPEAR)系统,该系统提供了一个大规模集合气候预报数据集,在准全球1°网格上提供30个逐月海表温度(SST)集合成员。SPEAR模型是一个完全耦合的气候系统,其中集合成员通过对初始条件施加微小扰动来生成(Delworth等,2020)。该数据集的维度为年份、纬度和经度,不涉及预见期的概念。为降低训练过程中过拟合的风险,我们首先使用1940年至2019年12月的GFDL数据集进行模型预训练,因为ENSO-ASC、ENSO-GTC和ENSO-MC的预报数据集相对有限。为模拟多通道输入结构,30个集合成员被分组为十个子集,每个子集包含三个集合成员。每组严格选择三个成员的设计是为了与后续微调阶段的输入通道维度相匹配,在该阶段中,恰好来自三个确定性模型(ENSO-ASC、ENSO-GTC和ENSO-MC)的预报被拼接为条件输入。这确保了U-Net架构在预训练和微调两个阶段之间的结构一致性。此过程将预训练数据集扩展为10×(12个月)×(年份数)=9600个样本。表2. 本研究使用的数据集总结。数据集时间范围用途GFDL SPEAR1940年1月–2019年12月预训练智能模型预报(ENSO–ASC/GTC/MC)1980年1月–2019年12月微调2020年1月–2024年12月测试ERA5再分析数据(SST)1940年1月–2024年12月真实值虽然GFDL SPEAR数据集提供了深度学习网络初始化所需的大量样本,但我们认识到,最先进的气候模型在模拟某些ENSO特性(如相位锁定和不对称性)时往往存在固有偏差。为防止我们的扩散模型吸收并保留这些偏差,我们采用了两阶段迁移学习策略。在SPEAR数据集上的预训练阶段严格设计为帮助网络学习宏观物理时空相关性和从高斯噪声到物理海洋场的基本映射。随后,微调阶段使用ERA5再分析数据作为观测真实值。这一关键的第二阶段起到有效的偏差校正机制作用,将预训练权重从数值模型的具体偏差中拉离,并使生成的分布与真实世界的ENSO动力学对齐。智能模型预报数据集来自ENSO-ASC、ENSO-GTC和ENSO-MC的预报,在扩散过程中用作条件输入。考虑到三个模型在输入数据来源、学习架构和空间区域上的差异(如表1所示),所有模型预报(6、12、18和24个月预见期)因此被标准化到40°S–40°N、160°E–90°W区域内的共同1°网格上,覆盖了热带太平洋涉及的核心区域。在本研究中,1980年至2019年的数据用于微调,而2020年至2024年的数据保留用于测试。关于春季可预报性壁垒(SPB)和ENSO相位锁定——这是跨季节ENSO预报的主要挑战——传统统计方法通常为每个日历月构建独立的预报模型以显式考虑季节依赖性。然而,我们提出的框架采取了不同的方法。扩散模型作为一个条件生成模型,学习目标概率分布???(??|??),其中条件??代表来自ENSO-ASC、ENSO-GTC和ENSO-MC的确定性预报。这三个最先进的智能模型利用复杂的时空神经网络架构,在各自独立的训练过程中隐式捕捉与SPB相关的季节循环和相位锁定动力学。因此,扩散模型自然地从条件输入中继承了这些先验物理约束和季节性。此外,训练一个统一的扩散模型而非十二个独立的月度特定模型,使网络能够利用完整的连续数据集。这种统一方法防止了深度学习中因碎片化、小样本训练而通常产生的严重过拟合,同时仍然有效地保留和捕捉跨季节的物理相关性。ERA5再分析数据集(SST)由ECMWF产生,融合了全球观测数据和模型输出(Hersbach等,2020),具有准全球0.25°网格分辨率。我们在本研究中使用ERA5作为真实值,并将数据集插值到1°分辨率以匹配本工作使用的统一网格。3.2. 最优模型配置为进一步确定我们的ENSO集合生成模型的最优配置,我们围绕四个关键方面进行了消融实验:损失函数设计、多模型输入组合、扩散过程参数和集合成员数。以下消融实验使用12个月预见期的模型进行,这是IRI ENSO多模型系统中大多数ENSO预测模型的上限。其他预见期(如6、18或24个月)也获得了类似结果,为简洁起见此处不再展示。所有实验均在配备A100 GPU的高性能计算平台上进行。我们框架中的扩散模型采用多层U-Net架构,包含约5570万个参数。虽然相对于可用的观测样本而言,这一参数规模相对较大,但有几个关键因素证明了其合理性,这些因素使气候场区别于传统图像合成任务。首先,与自然图像包含高度复杂和高频视觉特征不同,海表温度距平(SSTA)场表现出强烈的空间自相关性并受潜在物理动力学支配,这天然地约束了目标特征空间。其次,为缓解有限真实观测带来的过拟合风险,我们利用了上述两阶段训练策略。预训练阶段从GFDL SPEAR数据集生成的9600个样本提供了足够的数据以稳健地初始化网络权重。最后,来自三个确定性模型的条件输入作为强物理先验,在微调阶段显著缩小了所需的生成空间。3.2.1. 损失函数比较为验证所提出的方差加权损失函数能否在不牺牲预测精度的前提下增强集合离散度,我们设计了一系列系统的对比实验。在实验中,测试了三种损失函数配置:(1)基础MSE损失(公式(4));(2)方差加权损失(公式(5),??=0.2);(3)强方差加权损失(??=0.5)。对于每次实验,生成30个集合成员,并在2020–2024年测试数据集上评估精度(RMSE)、集合离散度(Spread)、RMSE/Spread比值(SSR)和连续排名概率得分(CRPS)指标(定义见附录),所有数值(除无量纲的SSR外)均以摄氏度(°C)表示。表3展示了三种损失函数的性能比较结果。关于RMSE指标,基础MSE损失函数实现了0.47°C的预测误差,而??=0.2的方差加权损失将RMSE增加到0.50°C。当??增加到0.5时,RMSE上升至0.55°C,表明过强的方差约束会显著降低预测精度。在集合离散度方面,将??从0(基础损失)增加到0.2使离散度从0.24°C提升到0.27°C(增加12.5%)。虽然进一步将??增加到0.5可将离散度提升至0.29°C,但会导致预测精度明显下降。值得注意的是,SSR和CRPS指标在??=0.2时分别达到最优值1.85和0.30°C,表明该配置在精度和离散度之间实现了最佳平衡。为实现预报精度与集合离散度之间的适当平衡,我们选择??=0.2作为方差加权损失函数的最终调优参数。表3. 不同损失函数下的评估指标比较。损失函数类型RMSESpreadSSRCRPS基础损失函数(MSE)0.470.241.960.32??=0.20.500.271.850.30??=0.50.550.291.900.353.2.2. 条件输入模型组合比较考虑到作为条件输入的不同智能模型预报组合(即??的不同取值)也可能影响模型性能,我们系统地测试了七种不同模型组合的性能。表4展示了各配置在测试数据集(2020–2024)上关键指标的比较。如表4所示,随着条件输入模型数量的增加,集合生成模型展现出性能提升的明显趋势。在单模型输入中,GTC表现最优的RMSE(0.53°C)和CRPS(0.40°C),但其Spread值最低(0.20°C),表明生成的集合成员多样性不足。值得注意的是,使用双模型组合时,ASC+MC和GTC+MC分别实现了0.34°C和0.32°C的CRPS值,相比单模型提升了15%–20%。这表明扩散模型能够整合和补充不同个体模型的预测优势。最显著的优势出现在完整的三模型组合(ASC+GTC+MC)中。该配置在所有指标上均实现了最佳性能:RMSE降低至0.50°C(相比最佳单模型GTC提升5.7%),Spread增加至0.27°C(增加17.3%),CRPS显著降至0.30°C(相比GTC降低25%)。

这种整体改进表明,我们方法中的扩散模型有效地整合了不同智能模型捕捉到的物理特征,从而生成了既准确且在离散度方面物理上合理的集合成员。

表 4. 不同输入模型组合下评估指标的对比。

| 输入模型组合 | RMSE | Spread | SSR | CRPS |
| :--- | :--- | :--- | :--- | :--- |
| ASC | 0.55 | 0.23 | 2.39 | 0.42 |
| GTC | 0.53 | 0.20 | 2.65 | 0.40 |
| MC | 0.54 | 0.21 | 2.57 | 0.42 |
| ASC+GTC | 0.52 | 0.25 | 2.08 | 0.37 |
| ASC+MC | 0.53 | 0.25 | 2.12 | 0.34 |
| GTC+MC | 0.51 | 0.24 | 2.13 | 0.32 |
| ASC+GTC+MC | 0.50 | 0.27 | 1.85 | 0.30 |

对指标之间相关性的进一步分析显示,三模型组合的 RMSE/Spread 比率(即附录中定义的 SSR 指标)为 1.85,显著优于其他配置(单模型中最好的为 2.39)。这表明离散度的增加超过了误差的减少。这一特征通过同时考虑预测精度和分布特征的 CRPS 指标得到了进一步验证。三模型组合的优越性能表明,其生成的集合概率分布更接近真实观测的统计特性,因此我们选择 ENSO-ASC、ENSO-GTC 和 ENSO-MC 的预测组合作为条件输入。

3.2.3. 扩散步数的影响

扩散步数是影响模型集合生成能力的另一个关键参数。我们测试了 50、100、200、500 和 1000 步扩散对模型性能的影响,评估了 RMSE、Spread、SSR 和 CRPS 的变化。如图 3 所示,随着扩散步数的增加,RMSE 逐渐降低,且在 200 步后下降速度变缓。Spread 也随着扩散步数的增加而逐渐降低,因为较高的扩散步数会减少扩散模型生成结果的多样性。关于 SSR 比率,在 50 到 200 步的范围内,它逐渐降低(更接近 1)。200 步之后,由于模型 Spread 的急剧下降,SSR 逐渐升高。这表明过多的扩散步数会导致集合离散度显著降低,而 RMSE 并没有相应的改善。因此,考虑到采样效率(随步数增加而降低)和模型性能,我们选择 200 个扩散步数(即图 2 中的 I=200)作为模型的最佳扩散步数。

下载:下载高分辨率图像 (173KB)
下载:下载全尺寸图像
图 3. 扩散步数对模型性能的影响:RMSE(蓝色实线)、Spread(橙色实线)和 SSR(绿色实线)随不同扩散步数(50-1000 步)的变化趋势。

3.2.4. 集合规模的影响

推理阶段生成的集合成员数量是显著影响集合预报系统整体性能的另一个关键参数。为了调查这一点,我们进行了集合规模从 5 到 100 的消融实验,以评估 RMSE、Spread、SSR 和 CRPS 的变化。如图 4 所示,当集合成员数量相对较小(在 5 到 20 之间)时,增加集合规模可在 RMSE、Spread 和 CRPS 方面带来相当大的改进,从而显著增强 SSR 指标。然而,一旦集合规模超过 25,进一步增加成员数量在所有评估指标上仅产生微小的改进。这一趋势表明,扩大集合规模能有效增强预报性能的稳定性,且生成的集合统计特性在达到大约 25 个成员后趋于稳定。值得注意的是,我们提出的方法中所采用的扩散模型与传统 GFDL 数值模型相比,推理速度显著更快,能够在短时间内高效生成大量集合成员。尽管如此,由于 GFDL SPEAR 数据集正好提供了 30 个海表温度预报的集合成员,我们最终将系统中的集合规模设定为 30。这一选择确保了后续章节中比较分析具有公平且一致的基准。

下载:下载高分辨率图像 (182KB)
下载:下载全尺寸图像
图 4. 集合规模对模型性能的影响:RMSE、Spread、SSR 和 CRPS 随不同集合成员数量(范围为 5 到 100)的变化趋势。

下载:下载高分分辨率图像 (282KB)
下载:下载全尺寸图像
图 5. 四种 ENSO 集合预报系统集合成员离散度的对比。(a) 集合成员离散度(平均方差)的对比;数值越高表示集合分散度越大。(b) SSR(离散度 - 技巧比)的对比;数值越接近 1 表示离散度与预报技巧之间的平衡越好。由于 GFDL 结果没有预报时效的概念,图中 GFDL 和预训练系统(仅使用 GFDL 数据进行预训练)的曲线表现为水平线。

下载:下载高分辨率图像 (211KB)
下载:下载全尺寸图像
图 6. 四种集合系统连续排名概率分数(CRPS)的对比,数值越低表示集合成员在预报技巧和离散度方面的性能越好。由于 GFDL 结果没有预报时效的概念,图中 GFDL 和预训练系统(仅使用 GFDL 数据进行预训练)的曲线表现为水平线。

下载:下载高分辨率图像 (338KB)
下载:下载全尺寸图像
图 7. 我们的系统与其他系统的 Talagrand 直方图对比。横轴表示集合成员数量(30 个总成员分为 5 组),纵轴表示每个集合成员相对于真值的命中率。更平坦的直方图(即连接柱状图顶部的线条更平滑)表示集合成员的可靠性更高。右侧图例显示了各系统对应的 Δ 值(参见附录 (A.8)),数值越低表示可靠性越高。

下载:下载高分辨率图像 (315KB)
下载:下载全尺寸图像
图 8. 不同系统海表温度预报精度的对比。(a) 不同预报时效下预报结果的 RMSE 变化。红色曲线代表我们系统的结果。(b) 我们系统和 MME 系统相比三个确定性模型 ENSO-ASC、ENSO-GTC 和 ENSO-MC 预测的预报技巧改进。由于 GFDL 结果没有预报时效的概念,图中 GFDL 和预训练系统(仅使用 GFDL 数据进行预训练)的曲线表现为水平线。

下载:下载高分辨率图像 (276KB)
下载:下载全尺寸图像
图 9. 不同系统尼诺 3.4 指数预报相关系数的对比:横轴表示预报时效,纵轴表示各系统尼诺 3.4 指数的异常相关系数。由于 GFDL 结果没有预报时效的概念,图中 GFDL 和预训练系统(仅使用 GFDL 数据进行预训练)的曲线表现为水平线。

下载:下载高分辨率图像 (2MB)
下载:下载全尺寸图像
图 10. 2023 年 11 月(2023 年厄尔尼诺事件峰值月)太平洋区域(40°S–40°N, 160°E–90°W)海表温度距平(SSTA)集合预报的视觉对比,来自不同系统,从 30 个可用成员中选取了四个集合成员。第一行中,第一个面板显示 ERA5 真值,其余三个面板显示用作条件输入的 ENSO-ASC、ENSO-GTC 和 ENSO-MC 的原始确定性预测。第 2 至 5 行展示了四个集合预报系统的集合预报结果,每行显示四个集合成员:第 2 行显示 GFDL SPEAR 集合成员;第 3 行显示预训练集合成员;第 4 行显示 MME 集合成员;第 5 行显示我们系统的集合成员。

下载:下载高分辨率图像 (434KB)
下载:下载全尺寸图像
图 11. 2023–2024 年厄尔尼诺事件期间四个集合系统集合预报的尼诺 3.4 指数覆盖范围。阴影区域代表尼诺 3.4 指数的覆盖区间(每月 30 个集合成员)。在每个面板中,绿色曲线显示观测到的尼诺 3.4 指数变化(2023 年 11 月至 12 月达到峰值),蓝色曲线描绘了集合均值的月度变化趋势。

下载:下载高分分辨率图像 (3MB)
下载:下载全尺寸图像
图 12. 2022 年 5 月(2020–2023 年拉尼娜事件的峰值月之一)太平洋区域(40°S–40°N, 160°E–90°W)海表温度距平(SSTA)集合预报的视觉对比,来自四个集合系统。各行详细定义见图 10。

下载:下载高分辨率图像 (419KB)
下载:下载全尺寸图像
图 13. 2020–2023 年连续三次拉尼娜事件期间四个集合系统尼诺 3.4 指数的预报范围。阴影区域代表尼诺 3.4 指数的覆盖区间(每月 30 个集合成员)。各行详细定义见图 11。

下载:下载高分辨率图像 (599KB)
下载:下载全尺寸图像
图 14. 模型在相应交叉验证期间生成的四个历史 ENSO 事件尼诺 3.4 指数的预报范围。面板显示了 (a) 1997–1998 年厄尔尼诺,(b) 2014–2016 年厄尔尼诺,(c) 1998–2001 年拉尼娜,和 (d) 2010–2012 年拉尼娜的集合预报。阴影区域代表尼诺 3.4 指数的覆盖区间(30 个集合成员)。

4. 结果与分析

在 ENSO 集合成员生成模型达到最佳配置后,我们通过反复执行推理(每次推理生成一个集合成员)进一步构建了一个 ENSO 集合预报系统(预报时效分别为 6、12、18 和 24 个月)。我们将系统中每个预报时效的 ENSO 集合成员数量设定为 30(即图 2 中的 n=30),以便于与 GFDL SPEAR 的 ENSO 集合预报结果进行比较。每个集合成员覆盖 2020 年 1 月至 2024 年 12 月太平洋区域(40°S–40°N, 160°E–90°W)的海表温度(SST)。为了评估我们的 ENSO 集合预报系统,我们将其与三个相关的 ENSO 集合系统进行对比。GFDL SPEAR 集合系统(名为 GFDL)被用作基于扰动初始条件(PIC)生成 ENSO 集合成员的代表性方法。由预训练模型(仅使用 GFDL SPEAR 数据进行预训练)构建的预训练集合系统(名为 Pretraining)作为消融实验,以验证使用三个智能模型进行微调的重要性。高斯扰动多模型集合系统(名为 MME)被用作基准方法,以评估我们的基于扩散的方法是否提供了超越朴素平均的优势。由于 IRI ENSO 多模型预报系统仅提供来自约 20 个动力或智能模型的尼诺 3.4 指数数据,每个模型都有不同的预报时效且最大为 12 个月,我们使用我们的 ENSO 确定性预报模型来模拟 MME 系统,以便在更长的预报时效下进行预报性能对比。对于该系统(MME),三个模型(ENSO-ASC、ENSO-GTC、ENSO-MC)的每个预测都通过高斯采样独立扰动 10 次,然后为每个预报时效生成 30 个集合成员。

基于这些比较性集合预报系统,接下来,我们从概率预报技巧和确定性预报技巧两方面评估我们的 ENSO 集合预报系统,然后对最近的 ENSO 事件进行案例研究。

4.1. 概率预报技巧评估

通过最佳配置实验,我们现在评估生成的集合成员的统计特性,重点关注生成效率、集合离散度和可靠性指标。

4.1.1. 生成效率

集合成员生成的计算效率是业务预报系统的关键考虑因素,我们的集合生成方法在这方面显示出显著优势。一旦训练完成,我们的 ENSO 集合生成模型可以在 A100 GPU 上大约 3 分钟内生成 30 个集合成员,而传统的数值集合方法需要数小时或数天,因为它们需要多次积分具有扰动初始条件的耦合海洋 - 大气模型(Saha 等,2014)。这种效率使得如果需要的话,能够实际生成更大的集合,为不同的预报应用提供了灵活性。

4.1.2. 集合离散度

可靠的集合预报系统应表现出反映预测不确定性的适当离散度。在本研究中,我们使用多个互补指标来评估集合离散度。首先,我们使用 Spread(即集合成员之间的平均方差,见公式 (A.5))来评估不同系统中集合成员的分散程度。如图 5(a) 所示,我们系统产生的 Spread 低于高斯扰动 MME 和传统数值模型(GFDL)。这可能是因为基于扩散的 ENSO 集合生成模型是使用 ERA5 作为真值进行训练的,并且在多步去噪过程中,逐渐提取输入分布的特征并向真实状态移动。因此,生成的集合成员表现出更高的准确性,而成员之间的整体多样性则变得适度收敛。

预训练集成系统与原始GFDL SPEAR集成系统的比较进一步证实,尽管我们的模型提高了集成平均预测的准确性,但也导致集成离散度略有下降。然而,较大的集成离散度并不必然意味着更合适的预报系统。正如Buizza等(2005)所强调的,一个真正可靠的集成系统应表现出最佳的离散度,以反映当前预报技巧下的不确定性;也就是说,离散度应在预报精度高时降低,并在预报技巧低时相应增加,从而最大化对真实状态的覆盖范围。Buizza提出了离散度-技巧比(SSR),定义为RMSE与离散度的比值(详见公式(A.5)),用于综合评价集成系统的可靠性。SSR值越接近1,表示集成离散度与预报技巧RMSE之间的平衡越好(Gneiting和Raftery, 2007)。图5(b)比较了四种集成系统在不同超前期的SSR(离散度与技巧比)值。如图所示,与我们系统相比,我们的系统SSR值总体更接近1。在18个月以内的超前期范围内,我们系统的SSR值始终低于GFDL,表明我们的方法在集成离散度与预报技巧之间实现了最佳平衡。图6中展示的CRPS指标(见公式(A.6))进一步证实了这一点,显示与GFDL和MME系统相比,我们的集成系统在所有超前期均实现了更低的CRPS(越低越好)值,表明其概率预报质量更优。SSR和CRPS性能的改善可归因于损失函数中引入了离散度惩罚项以及适当的扩散步骤选择(见3.2节),从而有效平衡了预报精度与集成离散度。

此外,为严格验证我们提出的系统性能提升并非有限集成规模(??=30)导致的采样变异性伪影,我们采用自助重采样法进行了统计显著性检验。具体而言,我们对2020–2024年测试期的预报-观测配对进行了1000次有放回自助迭代。每次迭代均重新计算指标(Spread、SSR和CRPS),从而得出各预报系统的经验分布及95%置信区间(CI)。

表5总结了代表性12个月前期的自助估计及其对应的95%置信区间。结果表明,我们系统在SSR和CRPS方面取得的改善在统计上是显著的。尽管我们系统的原始离散度(Spread)天然低于GFDL和MME,但其SSR置信区间紧密聚集在最优值1附近,未与传统模型较高且次优的范围重叠。更重要的是,我们系统CRPS的95%置信区间上限严格低于MME和GFDL系统的下限。这在95%置信水平(??<0.05)下证实,基于扩散的集成生成方法具有稳健性,统计上显著,且未受到有限集成规模的严重影响。

表5. 12个月前集成指标的自助显著性分析(95%置信区间)。
| 预报系统 | 离散度 (°C) | SSR | CRPS (°C) |
|---|---|---|---|
| GFDL SPEAR | 0.51 [0.48, 0.54] | 2.03 [1.81, 2.25] | 0.68 [0.65, 0.71] |
| MME | 0.32 [0.27, 0.37] | 2.08 [1.93, 2.26] | 0.38 [0.34, 0.42] |
| 预训练系统 | 0.35 [0.32, 0.38] | 2.93 [2.71, 3.15] | 0.46 [0.42, 0.50] |
| 我们系统 | 0.27 [0.24, 0.30] | 1.85 [1.72, 1.99] | 0.30 [0.28, 0.32] |

注:方括号表示由1000次自助重采样得到的95%置信区间。

4.1.3. 集成成员可靠性

除了预报离散度外,评估集成预报系统的另一个重要指标是集成成员的可靠性,即评估集成中每个成员是否提供有效预测。本研究采用Talagrand图直方图(Hamill, 2001)来评估集成预报的可靠性,即验证预测分布是否始终涵盖地面实况(计算见附录(A.7))。使用Talagrand图的原理是:如果集成预报系统是可靠的(即预测分布与真实分布一致),地面实况应以相等的概率出现在排序后的集成成员中各个排名位置,从而形成一个近似平坦直方图的Talagrand图(Hersbach, 2000)(均匀分布)。

图7展示了我们的系统与其他系统在12个月前期的Talagrand图直方图比较。横轴表示集成成员数量(每组5个成员),纵轴表示单个集成成员相对于地面实况的命中率。如图所示,尽管GFDL SPEAR表现出较大的集成离散度,但其较低的预报精度导致大多数集成成员的命中率较低(中间偏低,两端较高)。预训练集成系统提高了预报精度,但下降的离散度进一步加剧了这一效应。高斯扰动MME系统离散度更低且精度不足,偏差最为显著。相比之下,我们的系统得益于更高的预报精度,使大多数集成成员获得更高的命中率,从而形成更平滑的整体直方图。为定量评估这种平滑度,我们计算了??指标(Hamill, 2001)(见附录(A.8);越接近0表示分布越平坦)。我们系统的??值为0.037,显著低于其他模型,反映了我们集成预报系统更高的可靠性。

4.2. 确定性预报技巧评估

我们现在评估我们系统与其他系统相比的确定性预报性能。该评估使用集成平均,同时考虑预报精度和相关技巧。

4.2.1. 预报精度

在本研究中,采用RMSE(见公式(A.2))评估不同系统的SST预报技巧。具体而言,对30个集成成员的SST预报取平均,然后计算相对于ERA5再分析数据的RMSE。图8(a)展示了不同系统在不同超前期的RMSE趋势。

如图所示,我们的系统在18个月以内的超前期实现了优于其他系统的预报精度,表明其有效整合了ENSO-ASC、ENSO-GTC和ENSO-MC的确定性预报,使结果更接近ERA5地面实况。对于18个月以上的超前期,ENSO-ASC和ENSO-GTC的预报精度迅速下降(明显快于ENSO-MC),这可能解释了为什么我们的系统在较长超前期的集成预报精度略低于ENSO-MC。此外,预训练系统与GFDL SPEAR的比较显示,经过预训练阶段后预报精度显著提高。这一改善可归因于我们的模型中ERA5再分析数据被用作地面实况,使基于扩散的模型能够收敛至真实分布。

在图8(b)中,我们定量分析了我们的系统与高斯扰动MME系统相对于三个确定性预报模型的预报精度提升。如图所示,即使与确定性模型中整体预测技巧最高的ENSO-MC相比,我们的系统也实现了12%的预报精度提升。相比之下,MME系统仅对三个确定性预测施加高斯扰动并取平均,最终预报精度低于ENSO-MC。这一改善可归因于我们的模型在UNet去噪网络中引入了自注意力机制,使其能够有效地从三个确定性模型的预测中提取潜在的物理特征。

表6. 12个月前确定性指标的自助显著性分析(95%置信区间)。
| 预报系统 | RMSE (°C) | Ni?o 3.4 ACC |
|---|---|---|
| GFDL SPEAR | 1.02 [0.98, 1.05] | 0.55 [0.50, 0.59] |
| MME | 0.61 [0.57, 0.63] | 0.62 [0.58, 0.65] |
| 预训练系统 | 0.78 [0.75, 0.81] | 0.61 [0.56, 0.65] |
| 我们系统 | 0.50 [0.47, 0.53] | 0.71 [0.68, 0.75] |

注:方括号表示由1000次自助重采样得到的95%置信区间。

表7. 四个基于扩散的模型在各自独立测试期的SSTA RMSE和Ni?o 3.4指数ACC。
| 测试期 | RMSE (°C) | Ni?o 3.4 ACC |
|---|---|---|
| 1980–1990 | 0.61 | 0.66 |
| 1991–2001 | 0.58 | 0.67 |
| 2002–2010 | 0.54 | 0.68 |
| 2011–2019 | 0.55 | 0.67 |

4.2.2. 距平相关系数

Ni?o 3.4指数指的是赤道中东太平洋区域(5°N–5°S,170°W–120°W)的海表温度距平(SSTA,即相对于气候平均值的偏差),是评估ENSO事件发生的关键指标(Trenberth, 1997)。图9展示了不同系统在不同超前期预测与观测Ni?o 3.4指数之间的距平相关系数(ACC,见附录(A.3))。如图所示,我们的系统在不同超前期始终位居前列,而高斯扰动MME表现相对平庸。这表明,我们的系统在提高整个太平洋SST格局模拟技巧的同时,也在准确捕捉关键赤道中部区域方面取得了显著增强。

为进一步验证我们确定性预报结果的稳健性,我们对整个太平洋SST格局的均方根误差(RMSE)和Ni?o 3.4指数的距平相关系数(ACC)进行了统计显著性检验。与我们的概率评估一致,我们采用自助重采样方法,从涵盖2020–2024年测试期的预报-观测配对中生成1000次有放回重采样。该过程使我们能够构建两个指标的95%置信区间(CIs),确认所观察到的性能改善是统计显著的,而非采样变异性伪影。

表6展示了代表性12个月前期的自助估计及其对应的95%置信区间。结果清楚地表明,我们的系统在确定性预报技巧方面显著优于基准系统。对于整个SST预报精度,我们系统的RMSE的95%置信区间上限严格低于MME和GFDL SPEAR系统的下限,表明预报误差在统计上显著降低(??<0.05)。此外,对于Ni?o 3.4指数,我们的系统保持了显著更高的ACC,其95%置信区间远高于比较集成系统。这些严格的统计检验证实了基于扩散的方法能够有效提取并整合确定性模型的预测信号,从而实现一致优越且具有统计稳健性的确定性预报技巧。

4.3. 近期ENSO事件案例研究

为进一步评估我们系统在不同气候态下的实际模拟能力和泛化性,我们对近期和代表性的历史ENSO事件进行了全面的案例研究。具体而言,我们首先评估系统在主要测试期(2020–2024)的表现,重点关注最近的2023–2024年厄尔尼诺事件和2020–2023年三连拉尼娜事件。此外,为在数据泄漏的情况下验证模型在不同历史时期的稳健性和泛化性,我们对1980至2019年间四个主要历史ENSO事件进行了交叉验证案例研究。在所有案例研究中,集成预报在12个月前期进行评估,这与IRI多模型系统中大多数业务ENSO预报模型的上限相对应(DelSole等, 2022)。

4.3.1. 2023–2024年厄尔尼诺事件

2023年厄尔尼诺事件是有记录以来最强的厄尔尼诺事件之一,导致了全球地表温度破纪录、亚马逊和南部非洲大范围干旱以及东太平洋和东非部分地区严重洪涝(Trewin等, 2024)。本研究对验证期(2023至2024年)最近一次厄尔尼诺事件进行了模拟,以分析我们系统中集成成员对实际ENSO事件的预测能力。图10展示了2023年11月(2023–2024年厄尔尼诺事件峰值月份)不同模型集成成员模态图的SSTA。

比较SSTA格局图,GFDL SPEAR的集成成员表现出极大的多样性,但对ERA5地面实况的捕捉不够准确。MME系统由于添加了随机高斯扰动,产生了相对模糊的SST模态。相比之下,我们的系统在保留一定集成多样性的同时,恢复出更多与ERA5地面实况一致的特征。

为进一步评估我们系统的ENSO集成预报能力,我们绘制了不同集成预报系统的Ni?o 3.4指数趋势。连续五个月Ni?o 3.4指数大于0.5°C即被认为指示厄尔尼诺事件(Trenberth, 1997)。图11展示了不同系统对最近一次厄尔尼诺事件(2023年5月至2024年5月)预测的Ni?o 3.4指数范围。

如图所示,GFDL集合系统表现出非常宽的Ni?o 3.4集合预报范围,但未能成功预测2023年厄尔尼诺事件的发生。预训练集合系统缩小了原始离散度,但同样未能捕捉到厄尔尼诺事件。MME系统集合均值在峰值时超过0.5°C,但仍未达到成功预测厄尔尼诺事件的阈值。相比之下,我们的系统所产生的集合范围覆盖了观测到的Ni?o 3.4指数的绝大部分,且集合均值从2023年6月至2024年3月持续高于0.5°C,成功预测了厄尔尼诺事件的发生。这可能是因为MME的简单多模式组合往往导致平庸的结果,失去了捕捉极端事件的能力,而我们的基于扩散的系统在生成集合成员时能够识别出最优预测,从而增强了其捕捉真实事件的能力。

4.3.2 连续三次拉尼娜事件(2020–2023年)

2020–2023年的三连拉尼娜事件促成了持续的全球降温趋势,加剧了美国南部和东非的干旱,并加重了澳大利亚和东南亚的洪涝灾害,同时也在温室气体浓度创纪录的时期调节了全球升温的步伐(McPhaden, 2023)。这连续的拉尼娜事件表现出较强的隐蔽性,许多数值模型和智能模型均未能成功预测(Wang et al., 2023)。图12展示了各模型在2022年5月(其中一个峰值时刻)预测的SSTA形态。如图所示,我们的系统总体上捕捉到了峰值时刻的SSTA形态。

图13展示了该事件的集合回溯结果(从2020年8月至2023年3月)。当Ni?o 3.4指数连续五个月低于-0.5°C时,被视为拉尼娜事件的指示信号(Trenberth, 1997)。如图13所示,GFDL SPEAR存在过宽的预报离散度,并表现出整体偏冷的偏差,未能成功预测三次连续的拉尼娜事件。预训练集合系统的结果显示出相比原始系统有所缩小的离散度,但整体结果变得过于平滑,难以捕捉峰值。MME系统表现出适当的离散度范围,但在集合均值中丢失了峰值信号,未能预测到拉尼娜事件。相比之下,我们的系统成功保留了三个智能模型的优势预测,并进一步对其进行了校正。这使得峰值信号得以保留,并且除2022年5月略有高估外,大体上捕捉到了三年拉尼娜事件的演变趋势。

这些案例研究表明,我们的ENSO集合预报系统不仅改善了统计预报指标,而且有效捕捉了挑战性ENSO事件的演变过程,为其发展提供了可靠的概率评估。

4.3.3 跨不同ENSO时期的泛化能力

作为我们主要实验的测试数据集,其时间跨度从2020年1月至2024年12月,仅覆盖了上述讨论的两个近期ENSO事件。为进一步评估我们提出的模型在不同历史ENSO事件上的泛化能力,同时不损害训练数据和测试数据的严格分离(即避免数据泄露),我们进行了一项交叉测试验证实验。具体而言,1980至2024年的整个研究时段被划分为四个不同的测试集:1980–1990、1991–2001、2002–2010和2011–2019。对于每个测试集,其余年份被用作训练数据集,从而得到四个分别训练的基于扩散的ENSO集合预报模型。

表7列出了这四个模型在各自独立测试集上的确定性评估指标(SSTA的集合均值RMSE和Ni?o 3.4指数的ACC)。如表所示,由于测试集的时间跨度延长(从先前的5年增加到约10年),RMSE和ACC指标相比仅在2020–2024年期间测试的模型略有下降。尽管如此,整体性能在所有时期仍保持在极具竞争力的水平。

为进一步调查针对特定历史事件的集合预报能力,我们选择了两个突出的厄尔尼诺事件(1997–1998年和2014–2016年)和两个显著的拉尼娜事件(1998–2001年和2010–2012年)。图14展示了这四个事件的Ni?o 3.4指数集合预报。需要注意的是,每个事件的预报均由其独立测试集涵盖该时段的具体模型严格生成。例如,1997–1998年厄尔尼诺事件由在1991–2001年期间测试的模型进行模拟(其余年份用于训练),确保模型在训练阶段未接触目标事件的数据。

如图14所示,尽管存在一些细微差异——例如2010–2012年拉尼娜事件的预测持续时间略短,以及2014–2016年厄尔尼诺事件的峰值幅度略有低估——但模型根据标准定义指数成功捕捉到了所有四个不同ENSO事件的一般演变趋势。这些结果有力地证明,我们的基于扩散的集合预报系统在不同ENSO事件和不同气候背景状态下的泛化能力依然出色。

5. 结论与讨论

本研究提出了一种通用的基于扩散的方法用于生成集合成员,其中以确定性模型的预测作为条件输入来引导扩散过程。基于我们方法的ENSO集合生成模型首先在GFDL SPEAR数据集上进行预训练,然后使用ENSO-ASC、ENSO-GTC和ENSO-MC的预测进行微调。在通过调整损失函数、输入模型组合和扩散步数优化ENSO集合生成模型后,我们进一步为每个预报时效生成30个集合成员,从而建立ENSO集合预报系统。

为评估我们的ENSO集合预报系统,我们将其与代表传统初始条件扰动方法的GFDL集合系统进行比较;与模拟常规多模式集合方法的MME系统进行比较;以及与预训练集合系统进行比较,以验证使用三个智能模型进行微调的重要性。使用2020至2024年的数据,实验结果表明,我们的系统在SSR和CRPS集合指标上具有卓越性能,并在Talagrand图上表现出更高的可靠性。在确定性技巧方面,我们系统的ENSO集合均值的RMSE改善了约12%,Ni?o 3.4指数具有更高的相关系数。此外,在案例研究中,我们的ENSO集合预报系统成功预测了2023年厄尔尼诺事件以及2020至2023年连续拉尼娜事件,而后者被大多数模型遗漏(Wang et al., 2023)。

这些结果表明,在实现更高集合成员生成效率的同时,我们的ENSO集合预报系统不仅增强了ENSO预报技巧,而且平衡了集合离散度,产生了具有更高可靠性和改进的不确定性表示的集合成员,从而提高了ENSO事件的预报技巧。

值得注意的是,我们方法中作为条件输入的P智能模型并不局限于本研究采用的三个模型。事实上,该方法可以扩展至任何能够生成确定性预测的数值模型或智能模型。总体而言,该方法实现了高效的生成速度和稳健的不确定性表示,并能够在仅有单一预测可用的情况下构建集合预报系统。

尽管我们当前的框架展示了令人鼓舞的预报性能,但我们承认全球变暖对ENSO动力学具有关键影响。随着气候系统中非平稳性日益突出,我们的研究采用了一种广泛适用的平稳性假设作为实用的近似。这主要是因为我们的预报窗口相对较短(长达24个月),在此期间背景气候状态可被视为准平稳的。此外,三个基础智能模型的条件输入是在近期观测数据集上训练的,隐含地捕捉到了一定程度的这些变暖趋势。尽管如此,我们充分认识到这种隐含方法是一种简化。显式地纳入非平稳动力学约束以更好地考虑长期气候趋势,对于我们未来模型的开发是一个非常有价值的方向。

CRediT作者贡献声明

Bin Mu:写作–审阅与编辑,写作–原稿撰写,方法论,概念化
Yong Jiang:写作–审阅与编辑,写作–原稿撰写,软件,方法论,调查研究
Shijin Yuan:写作–审阅与编辑,调查研究,概念化
Bo Qin:写作–审阅与编辑,概念化
Yanjun Huang:写作–审阅与编辑
Hua Jiang:写作–审阅与编辑
Xingrong Chen:写作–审阅与编辑
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号