亚非季风降水（AfroASMP）作为全球季风降水的重要组成部分，直接影响地区的水资源、农业生产和生态平衡，其变化不仅牵动亚非亿万人民的日常生活，更与防灾减灾、可持续发展紧密相连。然而，由于亚非季风降水复杂多变的特性，对其进行准确的季节预测一直是一个巨大的挑战。近期王会军院士研究团队提出了一种人工智能季节预测模型（Y-model），旨在通过融合传统统计预测经验和机器学习方法，提高对亚非季风降水季节性变化的预测能力。相关成果发表于国际著名期刊《npj Climate and Atmospheric Science》上。
文章提出了一种融合新的数据清洗方案的机器学习模型，以提高对亚非季风降水的预测准确性。该模型通过图像识别方法从与季风相关的大数据样本中筛选出潜在的气候预测因子，且只保留与季风降水同期局地大气环流密切相关的因子。这些选定的预测因子随后根据不同的阈值被重新分配进大样本集合中，这些阈值基于四个基本原则：样本大小、预测因子与预测目标之间的相关关系、预测因子之间的独立性以及预测因子在预测年份的极端性。利用Facebook Prophet模型对大样本集合的各个成员进行预测，最终利用独立预测期间高预测技巧成员的集合平均值进行实时预测。
预测结果显示，Y-model在2011至2022年间对亚非季风降水的四个季风降水指数（东亚季风，南海季风，南亚季风，非洲季风）进行了有效预测，最高可提前一年，其相关技能范围从0.58到0.90，相较于主流的CFS v2动力模式，相关系数显著提高，均方根误差降低了11-53%。此外，Y-model还揭示了对亚非季风降水具有决定性影响的关键预测因子，包括对流层的气候变量，以及在预测年份有极端值的预测因子的作用。这些发现不仅为季风降水的季节性预测提供了新的视角，也为气候服务和灾害预防提供了有力的科学支持。本研究得到了国家自然科学基金基础科学中心项目（42088101）的支持。
Figure 1 季风降水季节预测模型（Y-model）的示意图
Figure 2 （a-d）提前4-12月四个季风降水指数预测的时间序列（e, f）Y-model和主流动力模式预测的相关系数和均方根误差
文章信息：
Huang, Y. Y., Qian, D. W., Dai, J., Wang, H. J. Skillful seasonal prediction of Afro-Asian summer monsoon precipitation with a merged machine learning and large ensemble approach. npj Clim Atmos Sci 7, 137 (2024). https://doi.org/10.1038/s41612-024-00691-5