ترجمه فارسی مقاله DUNE: یک رویکرد گروهی مبتنی بر یادگیری عمیق ماشینی UNet++ برای پیش‌بینی ماهانه، فصلی و سالانه آب و هوا

چکیده

Capitalizing on the recent availability of ERA5 monthly averaged long-term data records of mean atmospheric and climate fields based on high-resolution reanalysis, deep-learning architectures offer an alternative to physics-based daily numerical weather predictions for subseasonal to seasonal (S2S) and annual means. A novel Deep UNet++-based Ensemble (DUNE) neural architecture is introduced, employing multi-encoder-decoder structures with residual blocks. When initialized from a prior month or year, this architecture produced the first AI-based global monthly, seasonal, or annual mean forecast of 2-meter temperatures (T2m) and sea surface temperatures (SST). ERA5 monthly mean data is used as input for T2m over land, SST over oceans, and solar radiation at the top of the atmosphere for each month of 40 years to train the model. Validation forecasts are performed for an additional two years, followed by five years of forecast evaluations to account for natural annual variability. AI-trained inference forecast weights generate forecasts in seconds, enabling ensemble seasonal forecasts. Root Mean Squared Error (RMSE), Anomaly Correlation Coefficient (ACC), and Heidke Skill Score (HSS) statistics are presented globally and over specific regions. These forecasts outperform persistence, climatology, and multiple linear regression for all domains. DUNE forecasts demonstrate comparable statistical accuracy to NOAA’s operational monthly and seasonal probabilistic outlook forecasts over the US but at significantly higher resolutions. RMSE and ACC error statistics for other recent AI-based daily forecasts also show superior performance for DUNE-based forecasts. The DUNE model’s application to an ensemble data assimilation cycle shows comparable forecast accuracy with a single high-resolution model, potentially eliminating the need for retraining on extrapolated datasets.

چکیده به فارسی (ترجمه ماشینی)

با استفاده از در دسترس بودن اخیر سوابق داده های طولانی مدت ماهانه ERA5 از میانگین میادین جوی و آب و هوا بر اساس تجزیه و تحلیل مجدد با وضوح بالا ، معماری های عمیق یادگیری ، جایگزینی برای پیش بینی های آب و هوایی روزانه مبتنی بر فیزیک برای زیر فصل به فصلی (S2S) و ارائه می دهند.معنی سالانهیک معماری عصبی مبتنی بر UneT ++ مبتنی بر رمان جدید (DUNE) معرفی شده است و از ساختارهای چند رمزگذار چند رمزگذار با بلوک های باقیمانده استفاده می کند.هنگامی که از یک ماه یا سال قبل آغاز شد ، این معماری اولین پیش بینی ماهانه جهانی ، فصلی یا سالانه مبتنی بر AI را از دمای 2 متری (T2M) و دمای سطح دریا (SST) تولید کرد.میانگین ماهانه ERA5 به عنوان ورودی برای T2M از طریق زمین ، SST بیش از اقیانوس ها و تابش خورشیدی در بالای جو برای هر ماه 40 سال برای آموزش مدل استفاده می شود.پیش بینی های اعتبار سنجی برای دو سال دیگر انجام می شود و پس از آن پنج سال ارزیابی پیش بینی برای تنوع سالانه طبیعی به حساب می آید.وزن پیش بینی استنتاج AI در ثانیه پیش بینی هایی را ایجاد می کند و پیش بینی های فصلی گروه را امکان پذیر می کند.میانگین خطای مربع ریشه (RMSE) ، ضریب همبستگی ناهنجاری (ACC) و نمره مهارت مهارت هایدک (HSS) آمار در سطح جهانی و مناطق خاص ارائه می شود.این پیش بینی ها از پایداری ، اقلیم شناسی و رگرسیون خطی متعدد برای همه حوزه ها بهتر است.پیش بینی های Dune نشان دهنده دقت آماری قابل مقایسه با پیش بینی چشم انداز احتمالی ماهانه و فصلی NOAA در ایالات متحده اما در وضوح قابل توجهی بالاتر است.آمار خطای RMSE و ACC برای سایر پیش بینی های روزانه مبتنی بر هوش مصنوعی همچنین عملکرد برتر برای پیش بینی های مبتنی بر تپه را نشان می دهد.کاربرد مدل Dune در یک چرخه جذب داده های گروهی ، دقت پیش بینی قابل مقایسه را با یک مدل با وضوح بالا نشان می دهد ، و به طور بالقوه نیاز به بازآموزی در مجموعه داده های برون یابی را از بین می برد.