Subseasonal Predictability of Diverse Persistent Wet-Cold Compound Extreme Events over China Based on Calibrating Dynamical and AI models
Deze studie evalueert en kalibreert dynamische en op AI gebaseerde subseizoenale modellen om aan te tonen dat persistente nat-koude samengestelde extreme gebeurtenissen over China tot 15–20 dagen voorspelbaar zijn, waarbij het Centraal-China type de hoogste vaardigheid vertoont gedreven door specifieke grootschalige circulatiepatronen, terwijl de onderscheidende prestatiekracht tussen de ECMWF- en CMA-FENGSHUN-systemen over verschillende doorlooptijden wordt benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke winter worden delen van China geconfronteerd met een bijzonder meedogenloos soort weer: een aanhoudende combinatie van zware regen of sneeuw en snijdende kou. Wetenschappers noemen deze aanhoudende nat-koude samengestelde extreme gebeurtenissen. Het zijn meer dan alleen een koudegolf of een regenachtige dag; het is de gevaarlijke overlap van beide, die omstandigheden creëert zoals ijzel en zware sneeuwval die steden kunnen verlammen, elektriciteitsnetten kunnen beschadigen en levens kunnen bedreigen. Hoewel we weten dat deze gebeurtenissen plaatsvinden, is het voorspellen van precies wanneer en waar ze meer dan een week of twee van tevoren zullen toeslaan een hardnekkige uitdaging. Dit is de "subseizoensgebonden" kloof in de weersvoorspelling — de ongemakkelijke tijd tussen een standaard weerbericht, dat betrouwbaar is voor enkele dagen, en een seizoensgebonden vooruitblik, die naar maanden vooruit kijkt. In dit venster is de atmosfeer te chaotisch voor korte-termijnprecisie, maar te snel bewegend voor de langzame veranderingen van de oceaan om een duidelijke gids te bieden.
Een team van onderzoekers van de China Academy of Meteorological Sciences en het National Climate Center heeft een frisse blik geworpen op dit probleem. Ze richtten zich op drie verschillende soorten van deze nat-koude gebeurtenissen die voorkomen in verschillende regio's van China: één die het zuiden treft, een andere het westen, en een derde de centrale vlaktes. Om de moeilijkheid van voorspelling aan te pakken, vertrouwden ze niet op slechts één methode. In plaats daarvan vergeleken ze traditionele computermodellen, die de fysica van de atmosfeer simuleren, met een nieuwere generatie kunstmatige intelligentiesystemen die patronen leren van enorme hoeveelheden historische gegevens. Cruciaal was dat ze eerst een statistische correctie toepasten op de ruwe gegevens van deze modellen. Denk bij deze stap aan het afstemmen van een radio om ruis te verwijderen; modellen hebben vaak ingebouwde biases, zoals het voorspellen van regen die te licht is of temperaturen die te warm zijn. Door de voorspellingen aan te passen aan de werkelijke verdeling van het weer, konden de onderzoekers het echte signaal van de modellen zien zonder de ruis van hun fouten.
De resultaten van deze vergelijking onthullen een veelbelovend pad voorwaarts. Na de statistische afstemming werden alle modellen — zowel de op fysica gebaseerde als het AI-systeem — aanzienlijk beter in het identificeren van waar deze gevaarlijke gebeurtenissen zouden plaatsvinden. Ze konden de algemene vorm en locatie van de nat-koude zones tot twee weken van tevoren betrouwbaar in kaart brengen. De studie vond echter dat niet alle gebeurtenissen gelijk zijn, en niet alle modellen even goed zijn in elke fase. De gebeurtenissen in West-China, die vaak ontstaan boven het hoge Tibetaanse Plateau, waren het meest consistent te voorspellen wat betreft hun continue weerpatronen. In tegen tegenstelling hiertoe waren de gebeurtenissen in Centraal-China het meest voorspelbaar in algemene zin, grotendeels omdat ze worden gedreven door zeer georganiseerde, grootschalige golven van lucht die zich over de wereld bewegen en gemakkelijker door modellen te volgen zijn.
Wat betreft de modellen zelf kwam er een duidelijk patroon van kracht naar voren op basis van tijd. Het model van het European Centre for Medium-Range Weather Forecasts, een traditionele grootmacht, presteerde het best in de eerste paar dagen en bood scherpe en nauwkeurige korte-termijn waarschuwingen. Maar naarmate de voorspelling verder uitliep, richting de tweede week, begon het op AI gebaseerde model, bekend als FENGSHUN, voor te lopen. Het behield zijn voorspellende vaardigheid langer dan de anderen en behield een helder beeld van de nat-koude anomalieën zelfs bij de 15- tot 20-dagen grens. Dit suggereert dat terwijl traditionele modellen uitstekend zijn in het vastleggen van de onmiddellijke fysica van de atmosfeer, het AI-systeem de diepere, langere termijn patronen heeft geleerd die deze gebeurtenissen aandrijven, zelfs als het dat doet zonder expliciet de fysieke krachten te berekenen.
De onderzoekers gingen ook op zoek naar het "waarom" achter deze voorspellingen. Ze ontdekten dat de meest voorspelbare gebeurtenissen altijd werden voorafgegaan door specifieke, robuuste signalen in de atmosfeer. Voor de gebeurtenissen in Centraal-China was er een duidelijke golfbeweging van hoge en lage druk die van Europa over Azië strekte, vergezeld van een duidelijke onderdrukking van wolkenvorming boven de tropische oceanen. Wanneer deze grootschalige signalen sterk en georganiseerd waren, konden de modellen de gebeurtenis met vertrouwen voorspellen. Wanneer de achtergrondatmosfeer rommelig was of de signalen zwak waren, stortten de voorspellingen in. Dit onderscheid is essentieel: het betekent dat het vermogen om deze rampen te voorspellen sterk afhangt van de staat van de atmosfeer voordat de gebeurtenis begint. De studie concludeert dat hoewel we nog niet elke enkele nat-koude gebeurtenis met perfecte zekerheid kunnen voorspellen, we nu een veel duidelijker begrip hebben van welke wel voorspelbaar zijn en hoe verschillende instrumenten samen gebruikt kunnen worden om onze waarschuwingstijd te verlengen, wat potentieel levens kan redden en economische verliezen kan beperken voordat de ramp toeslaat.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.