WFRF:(Chen Deliang)
Sökning: WFRF:(Chen Deliang) > A machine learning ...
- 32 av 665
- Föregående post
- Nästa post
- Till träfflistan
A machine learning model that outperforms conventional global subseasonal forecast models
- Chen, Lei (författare)
- Zhong, Xiaohui (författare)
- Li, Hao (författare)
- visa fler...
- Wu, Jie (författare)
- Lu, Bo (författare)
- Xie, Shang-Ping (författare)
- Wu, Libo (författare)
- Chao, Qingchen (författare)
- Lin, Chensen (författare)
- Hu, Zixin (författare)
- Qi, Yuan (författare)
- visa färre...
- (creator_code:org_t)
- 2024
- 2024
- Engelska.
- Ingår i: NATURE COMMUNICATIONS. - 2041-1723. ; 15:1
- Tidskriftsartikel (refereegranskat)
Abstract
Ämnesord
Stäng
- Skillful subseasonal forecasts are crucial for various sectors of society but pose a grand scientific challenge. Recently, machine learning-based weather forecasting models outperform the most successful numerical weather predictions generated by the European Centre for Medium-Range Weather Forecasts (ECMWF), but have not yet surpassed conventional models at subseasonal timescales. This paper introduces FuXi Subseasonal-to-Seasonal (FuXi-S2S), a machine learning model that provides global daily mean forecasts up to 42 days, encompassing five upper-air atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S, trained on 72 years of daily statistics from ECMWF ERA5 reanalysis data, outperforms the ECMWF's state-of-the-art Subseasonal-to-Seasonal model in ensemble mean and ensemble forecasts for total precipitation and outgoing longwave radiation, notably enhancing global precipitation forecast. The improved performance of FuXi-S2S can be primarily attributed to its superior capability to capture forecast uncertainty and accurately predict the Madden-Julian Oscillation (MJO), extending the skillful MJO prediction from 30 days to 36 days. Moreover, FuXi-S2S not only captures realistic teleconnections associated with the MJO but also emerges as a valuable tool for discovering precursor signals, offering researchers insights and potentially establishing a new paradigm in Earth system science research. This paper introduces FuXi-S2S, a machine-learning model that outperforms conventional numerical weather prediction models at subseasonal timescales globally, extending the skillful Madden-Julian Oscillation prediction form 30 days to 36 days.
Ämnesord
- NATURVETENSKAP -- Geovetenskap och miljövetenskap -- Meteorologi och atmosfärforskning (hsv//swe)
- NATURAL SCIENCES -- Earth and Related Environmental Sciences -- Meteorology and Atmospheric Sciences (hsv//eng)
Publikations- och innehållstyp
- ref (ämneskategori)
- art (ämneskategori)
- 32 av 665
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Chen, Lei
- Zhong, Xiaohui
- Li, Hao
- Wu, Jie
- Lu, Bo
- Chen, Deliang, 1 ...
- visa fler...
- Xie, Shang-Ping
- Wu, Libo
- Chao, Qingchen
- Lin, Chensen
- Hu, Zixin
- Qi, Yuan
- visa färre...
- Om ämnet
-
- NATURVETENSKAP
- NATURVETENSKAP
- och Geovetenskap och ...
- och Meteorologi och ...
- Artiklar i publikationen
- NATURE COMMUNICA ...
- Av lärosätet
- Göteborgs universitet
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
