原文标题：Toward Data-Driven Weather and Climate Forecasting: Approximating a Simple General Circulation Model With Deep Learning
发表期刊：Geophysical Research Letters
作者：S. Scher
第一作者单位：Department of Meteorology and Bolin Centre for Climate Research, Stockholm University, Stockholm, Sweden
出版年：2018
数值天气预报（Numerical Weather Prediction，简称NWP）模型和大气环流模型（General Circulation Models，简称GCMs）通过求解描述大气物理过程的方程，预测大气状态随时间的变化，是天气和气候研究的重要工具。近年来，有学者尝试将机器学习方法应用在NWP模型和GCMs中，例如学习地球轨道参数与模式气候状态的关系、从高分辨率模型中学习进而提高简单模型的预报效果、识别极端天气等，概括起来，这些研究都是从模式中提取某些信息，或将某些模式包含的信息添加到别的模式中。与前人不同，本研究的目标是使用深度学习模型直接替代完整的GCMs，输入某一时刻的气象场，能对其后时刻的气象场进行预报。
作者使用PUMA模型（The Portable University Model of theAtmosphere）作为标准模型用以提供数据训练深度学习模型。该模型属于GCMs，是PLASIM（Planet Simulator）模型的动力学核心，设计理念非常接近最先进的全球数值天气预报模型，但又做了大量简化（分辨率粗、仅有10个垂直层、不考虑日变化、没有海洋等），使得计算量大大减小。研究涉及的气候变量包括水平风场、气温和500hPa位势高度，时间分辨率为天。
Figure 1展示了PUMA模型相隔5天的模拟结果，尽管做了大量简化，仍然能观察到冬季半球中纬度向东传播的Rossby波。研究采用称为自编码器（Autoencoder）的深度学习模型，该模型先对输入数据进行降维，随后再做上采样升维，经过训练，输入前一时刻气象场，能得到预报的气象场输出。
作者在训练完深度学习模型后，采用了几种不同的预报方法对模型做检验。第一种采用当前的气象场直接预报若干天后的气象场，这种预报方式称为Network Forecast；第二种在当前的气象场的基础上往后预报一天，随后用预报的气象场再往后预报一天，如此循环直到得到若干天后的气象场，这种预报方式称为Persistence Forecast；第三种是使用气候平均态气象场作为预报初始场输入模型进行预报，这种预报方式称为Climatology Forecast。
Figure 2a、2b分别是NetworkForecast对6天后500hPa位势高度预报的均方根误差（RMSE）和相关系数。由图可见，深度学习模型预报结果与PUMA模式较为一致，RMSE普遍较小，相关系数在北半球较高。最大误差出现在边界处，这可能是由于PUMA模式采用循环边界条件，而深度学习模型没有针对这个特点设计；相关系数在南半球较小，但由于PUMA模式中南半球夏季的位势高度场变化很小，相关系数指标的意义不大。Persistence Forecast的预报结果（Figure 2c、2d）明显比Network Forecast差，Climatology Forecast的预报结果与Persistence Forecast相当。不同预报方式下深度学习模型预报结果随预报时间的变化展示如下，Network Forecast表现最好：
作者随后使用随机选出的某一天作为初始场，使用深度学习模型每次向后预报一天，再用预报结果作为初始场向后预报，共预报三十年，与PUMA模式的模拟结果比较（Figure 4）。结果表明，深度学习模型预报结果三十年平均的500hPa位势高度在空间分布和量级大小上都与PUMA模式非常接近，但深度学习模型预报结果在1天和30天尺度上的变化幅度均小于PUMA模式。
