Прогноз индийского летнего муссона критичен для сельского хозяйства и экономики Индии, но моделирование этого явления осложнено множеством взаимодействующих процессов. Вокруг данной работы в архиве лежат исследования по прогнозу погоды и климата с помощью машинного обучения и анализа крупномасштабной структуры атмосферы, однако данная статья стоит особняком: она посвящена классической динамической модели CFSv2 и диагностике её систематических ошибок. Соседние работы фокусируются на нейросетевых подходах или статистических методах, тогда как здесь разбирается физика ошибок конкретной прогностической системы.
Исследователи проанализировали 124 девятимесячных ретроспективных прогноза модели CFSv2 (версия NCEP) с начальными условиями от 1 января (заблаговременность 4 месяца, L4) до 31 мая (0 месяцев, L0) за период 1982–2010 годов. Дополнительно были выполнены экспериментальные ретроспективные прогнозы на текущей версии модели (CFSv2-CSIR) с пятью оптимальными начальными условиями конца апреля – начала мая. Для валидации использовались данные IMD, GPCP, HadISST, OISST и реанализ ERA5. Оценивались корреляция межгодовой изменчивости, средняя ошибка, смещение, RMSE, а также пространственные характеристики климатологии осадков.
Корреляция между прогнозом и наблюдениями для L3 (февраль) составила 0.44, что выше, чем для L1/L0 (0.35), но при исключении 1983 года корреляция L3 падает до 0.40, а для поздних стартов достигает 0.42. Успех L3 в 1983 году объясняется ошибочным прогнозом Ла-Нинья: модель предсказала охлаждение экваториальной части Тихого океана, тогда как в реальности температура была близка к норме, а избыток осадков был вызван положительной EQUINOO. Другие метрики (средняя ошибка, смещение, RMSE) показывают преимущество апрельско-майских стартов. Модель демонстрирует чрезмерную связь между ЭНСО и осадками: корреляция между индексом NINO3.4 и осадками достигает -0.85 в L3 против -0.44 в наблюдениях. Также модель неверно связывает EQUINOO с ЭНСО (корреляция 0.83 в L3 против 0.14 в наблюдениях) и даже меняет знак связи между EQUINOO и осадками (в модели -0.77, в наблюдениях +0.54).
Работа показывает, что оценка навыка прогноза по одной метрике (корреляции) может вводить в заблуждение из-за случайного совпадения в отдельные годы. В отличие от соседних исследований, которые применяют новые методы машинного обучения к прогнозу погоды или климата, данная статья проводит детальную диагностику физических механизмов ошибок в существующей операциональной модели. Это подчёркивает необходимость использования нескольких метрик и анализа конкретных событий, а не только средних показателей.
Тема может развиваться в направлении улучшения физики атмосферы в CFSv2, особенно параметризаций конвекции и взаимодействия океана с атмосферой, чтобы уменьшить холодное смещение в центральной части Тихого океана и ослабить чрезмерную связь ЭНСО с осадками. Также перспективно исследование причин динамического дрейфа при длительных заблаговременностях и тестирование модели с заданными наблюдаемыми температурами поверхности океана.
Результаты важны для оперативных центров прогноза погоды и климата, особенно для Индийского метеорологического департамента и Министерства наук о Земле Индии, которые используют CFSv2 для сезонных прогнозов муссона. Они также полезны для разработчиков моделей, стремящихся улучшить предсказуемость тропического климата.
Следующие шаги включают эксперименты с атмосферной компонентой модели, вынуждаемой наблюдаемыми температурами поверхности океана, чтобы отделить ошибки атмосферы от ошибок океана. Также необходимо проверить, насколько хорошо океанская модель воспроизводит основные моды изменчивости при реалистичном атмосферном воздействии.
Работа напрямую связана с фундаментальной проблемой сезонной предсказуемости: почему модели с трудом воспроизводят независимое влияние экваториальной осцилляции Индийского океана на муссон, и как уменьшить систематические ошибки, ограничивающие полезную заблаговременность прогнозов.
В 1983 году модель CFSv2 предсказала Ла-Нинья, которого не было, но этот ошибочный прогноз случайно совпал с реальным избытком осадков, что искусственно повысило оценку её мастерства.