Abstrak
Prakiraan submusiman hingga musiman (S2S) sangat penting untuk pencegahan bencana cuaca dini. Keluaran prediksi cuaca numerik sering kali memiliki bias sistematis yang perlu dikoreksi. Untuk mengatasi masalah ini, model pembelajaran mendalam BiConvLSTM memanfaatkan data spasiotemporal untuk mengoreksi prakiraan suhu udara 2 m dari Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF) di daratan Tiongkok, menggunakan data ECMWF Reanalysis v5 sebagai kumpulan data berlabel. BiConvLSTM menyempurnakan ConvLSTM dengan menggabungkan pengaturan dua arah. Selain itu, fitur medan digunakan untuk lebih meningkatkan akurasi koreksi. Hasil eksperimen menunjukkan bahwa model kami mengungguli tiga model tolok ukur, rata-rata ansambel (EMN) dan statistik keluaran model berdasarkan anggota ansambel, EDConvLSTM di seluruh kesalahan absolut rata-rata (MAE), skor keterampilan kuadrat rata-rata (MSSS), dan dua koefisien korelasi anomali, koefisien korelasi pola dan koefisien korelasi temporal. Perbedaan MAE dan MSSS antara BiConvLSTM dan EMN secara bertahap berkurang dengan meningkatnya waktu tunggu prakiraan tetapi mulai melebar setelah 16 hari, yang menunjukkan bahwa BiConvLSTM meningkatkan akurasi prediktif prakiraan S2S. Untuk lebih memahami sumber kesalahan prediksi model, dekomposisi kesalahan berdasarkan kesalahan kuadrat rata-rata juga dilakukan. Hasil menunjukkan bahwa semua model pasca-pemrosesan mampu mengurangi bias ECMWF. Model pembelajaran mendalam dapat menurunkan kesalahan urutan, sedangkan BiConvLSTM secara efektif mengurangi kesalahan distribusi, terutama di wilayah lintang tinggi. BiConvLSTM juga mengurangi kesalahan dalam 20 hari pertama waktu tunggu yang diamati di ConvLSTM dengan melintasi urutan secara dua arah dan menunjukkan peningkatan kinerja lebih dari 16 hari dengan perbaikan medan dibandingkan dengan EMN.
Bidirectional ConvLSTM untuk koreksi bias dalam prakiraan suhu submusiman-ke-musiman dengan fitur medan di daratan Cina
