当前位置: X-MOL 学术Int. J. Climatol. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Assessment of MME methods for seasonal prediction using WMO LC‐LRFMME hindcast dataset
International Journal of Climatology ( IF 3.9 ) Pub Date : 2020-10-21 , DOI: 10.1002/joc.6858
Gayoung Kim 1, 2 , Joong‐Bae Ahn 2 , Vladimir N. Kryjov 2 , Woo‐Seop Lee 1 , Dong‐Joon Kim 3 , Arun Kumar 4
Affiliation  

Funding information Korea Meteorological Administration Research and Development Program, Grant/Award Number: KMI2018-01213 Abstract Different multi-model ensemble (MME) methods were investigated for their potential to improve the skill of 1-month lead seasonal forecast products, based on six models from Global Producing Centers (GPCs) for long-range forecasts (LRFs) designated by the World Meteorological Organization (WMO). We first compared the hindcast performance of seven MME methods (simple composite method, SCM; simple linear regression, SLR; multiple linear regression, MLR; best selection anomaly, BSA; multilayer perceptron, MLP; radial basis function, RBF; genetic algorithm, GA) for the global 2-m temperature and precipitation for 1983–2009. The reference datasets for 2-m temperature and precipitation are the ERA-Interim from European Centre for Medium-Range Weather Forecasts (ECMWF) and Global Precipitation Climatology Project (GPCP) for hindcast verification. For real-time verification, the data from the National Centers for Environmental Prediction/National Center for Atmospheric Research (NCEP/NCAR) reanalysis 1 for 2-m temperature and climate anomaly monitoring system and outgoing longwave radiation precipitation index (CAMS OPI) for precipitation are used. According to our analysis, GA was the most successful MME method in predicting both the global 2-m temperature and precipitation for all four seasons. GA also showed good performance in predicting the 2-m temperature and precipitation over the 13 regional climate outlook forum (RCOF) regions in all four seasons, but the range in performance among the RCOF regions varied significantly. In a realtime forecast period (MAM 2012-DJF 2015/16), GA outperformed in terms of time-averaged anomaly pattern correlation coefficient (ACC) and root-meansquare error (RMSE) of the 2-m temperature, although the forecast skill difference (0.02) between GA and SCM was not statistically significant. For the precipitation, both SCM and GA also reveal better performance than other MME methods. During the very strong El Niño event in 2015, individual models show better performance than other years. Nonetheless, these two MME methods outperform all the individual models. Received: 17 September 2019 Revised: 25 September 2020 Accepted: 29 September 2020

中文翻译:

使用 WMO LC-LRFMME 后报数据集评估用于季节预测的 MME 方法

资金信息 韩国气象局研究与发展计划,资助/奖励编号:KMI2018-01213 摘要 基于六个模型,研究了不同的多模型集合 (MME) 方法在提高 1 个月领先季节预报产品技能方面的潜力来自世界气象组织 (WMO) 指定的长期预报 (LRF) 全球生产中心 (GPC)。我们首先比较了七种 MME 方法的后报性能(简单复合方法,SCM;简单线性回归,SLR;多元线性回归,MLR;最佳选择异常,BSA;多层感知器,MLP;径向基函数,RBF;遗传算法,GA ) 表示 1983-2009 年全球 2 米温度和降水。2 米温度和降水的参考数据集是来自欧洲中期天气预报中心 (ECMWF) 和全球降水气候学项目 (GPCP) 的 ERA-Interim,用于后报验证。对于实时验证,来自国家环境预测中心/国家大气研究中心 (NCEP/NCAR) 再分析 1 的数据,用于 2 米温度和气候异常监测系统以及用于降水的出射长波辐射降水指数 (CAMS OPI)被使用。根据我们的分析,GA 是预测所有四个季节全球 2 米温度和降水的最成功的 MME 方法。GA 在预测 13 个区域气候展望论坛 (RCOF) 区域所有四个季节的 2 米温度和降水方面也表现出良好的性能,但是 RCOF 区域之间的性能范围差异很大。在实时预测期间 (MAM 2012-DJF 2015/16),GA 在 2 米温度的时间平均异常模式相关系数 (ACC) 和均方根误差 (RMSE) 方面表现优于(0.02) 在 GA 和 SCM 之间没有统计学意义。对于降水,SCM 和 GA 也显示出比其他 MME 方法更好的性能。在 2015 年非常强烈的厄尔尼诺事件中,个别模型表现出比其他年份更好的表现。尽管如此,这两种 MME 方法优于所有单个模型。收稿日期:2019 年 9 月 17 日修订日期:2020 年 9 月 25 日接受日期:2020 年 9 月 29 日 GA 在 2 米温度的时间平均异常模式相关系数 (ACC) 和均方根误差 (RMSE) 方面表现优异,尽管 GA 和 SCM 之间的预测技能差异 (0.02) 没有统计学意义。对于降水,SCM 和 GA 也显示出比其他 MME 方法更好的性能。在 2015 年非常强烈的厄尔尼诺事件中,个别模型表现出比其他年份更好的表现。尽管如此,这两种 MME 方法优于所有单个模型。收稿日期:2019 年 9 月 17 日修订日期:2020 年 9 月 25 日接受日期:2020 年 9 月 29 日 GA 在 2 米温度的时间平均异常模式相关系数 (ACC) 和均方根误差 (RMSE) 方面表现优异,尽管 GA 和 SCM 之间的预测技能差异 (0.02) 没有统计学意义。对于降水,SCM 和 GA 也显示出比其他 MME 方法更好的性能。在 2015 年非常强烈的厄尔尼诺事件中,个别模型表现出比其他年份更好的表现。尽管如此,这两种 MME 方法优于所有单个模型。收稿日期:2019 年 9 月 17 日修订日期:2020 年 9 月 25 日接受日期:2020 年 9 月 29 日 SCM 和 GA 也显示出比其他 MME 方法更好的性能。在 2015 年非常强烈的厄尔尼诺事件中,个别模型表现出比其他年份更好的表现。尽管如此,这两种 MME 方法优于所有单个模型。收稿日期:2019 年 9 月 17 日修订日期:2020 年 9 月 25 日接受日期:2020 年 9 月 29 日 SCM 和 GA 也显示出比其他 MME 方法更好的性能。在 2015 年非常强烈的厄尔尼诺事件中,个别模型表现出比其他年份更好的表现。尽管如此,这两种 MME 方法优于所有单个模型。收稿日期:2019 年 9 月 17 日修订日期:2020 年 9 月 25 日接受日期:2020 年 9 月 29 日
更新日期:2020-10-21
down
wechat
bug