“
中国科学技术大学博士生王岑、南京信息工程大学研究生贾朝莹、百度公司尹朝晖老师、中山大学刘飞老师以及中国科学技术大学陆高鹏老师、郑建秋老师，以Hwang等人在2019年提出的机器学习模型为基础，对中国降水进行次季节预报，尝试提高中国降水次季节预报技巧。
”
在全球变暖的背景下，相对频繁的极端旱涝灾害不仅会造成严重的经济损失，同时也威胁着人们的生命，特别是在中国，每年都会影响数十亿人。两周至两月的次季节中国降水预报与农作物种植选择、减灾和生命安全密切相关。同时，次季节预报将填补天气预报和气候预报之间的空白。正是由于次季节预报不仅与局地天气密切相关，而且受全球大气环流的影响，被称为“可预测性沙漠地带”。
为了提高次季节性天气预报的精度，王岑等作者利用Hwang等人在2019年提出的机器学习模型，对中国降水进行次季节预报。研究使用了具有多任务特征选择功能的局部线性回归模型（MultiLLR model），选择21个气象要素作为综合多种气象观测资料的候选预报因子。该方法自动剔除不相关的预测因子，采用多任务特征选择过程建立预测模型方程。从预报的结果上来看，2011-2016年平均预测能力为0.11，预测结果存在季节性差异，冬春两季预测技能较高，而夏秋季节较低（图1）。
图1，由王岑提供▼
图1（A）2011–2016每一年季节平均（红）、冬季（蓝）、春季（绿）、夏季（橙）、秋季（黄）预报技巧. (B) 2011-2016年六年年平均和四季平均技能。
在技巧高年份的冬春季，模型对预测ISV活动表现较好，表现在预测的数值和范围较为准确，包括长江流域和中国东南部强的ISV活动。在技巧低年份的冬春季，ISV预报结果比观察到的要弱得多。总的来说，冬春季的ISV预报优于夏秋季（图2）。
图2，由王岑提供▼
图2 预报技巧高低年份的春冬季（A、B、E、F）和夏秋季（C、D、G、H）的MultiLLR模式预测和观测降水量的标准差。（高技能年（第一行），低技能年（第二行），第一列和第三列表示模型预测值，第二列和第四列表示观测值。）
最后，本研究还加入北极涛动指数、西北太平洋季风指数和西北太平洋副热带高压指数，以探究其在次季节中国降水预报中的作用。并将该模型与CFSv2模型进行耦合，技能从0.11提高到0.16。这个结果表明MultiLLR模型作为一种新的统计模型，能够提高CFSv2动力模型在中国降水次季节预报的精度。（详情参见原文） 结语：本研究用一种简单的机器学习方法对中国降水进行次季节预测，在机器学习领域迈出第一步。在多元线性回归中，只使用了局部回归，限制了预测技巧。未来还有很长的路要走。
Citation: Wang C, Jia Z, Yin Z, Liu F, Lu G and Zheng J (2021) Improving the Accuracy of Subseasonal Forecasting of China Precipitation With a Machine Learning Approach. Front. Earth Sci. 9:659310. doi: 10.3389/feart.2021.659310
Received: 27 January 2021;
Accepted: 16 April 2021;
Published: 12 May 2021.
Edited by:
Wei Zhang, Utah State University, United States
Reviewed by:
June-Yi Lee, Pusan National University, South Korea
Xiaojing Jia, Zhejiang University, China
Copyright © 2021 Wang, Jia, Yin, Liu, Lu and Zheng. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.
