The standard approach when studying atmospheric circulation regimes and their dynamics is to use a hard, categorical, regime assignment. That is, each atmospheric state is assigned to the regime it is closest to in distance. However, this may not always be the most appropriate approach as the regime assignment may be affected by small deviations in the distance to the regimes due to noise. To mitigate this we develop a probabilistic regime assignment using Bayes theorem. Bayes theorem tells us that the probability of a regime given the data can be determined by combining climatological likelihood with prior information. The regime probabilities at time t can be used to inform the prior probabilities at time t+1, which then is used to sequentially update the regime probabilities. We apply this approach to both reanalysis data and a seasonal hindcast ensemble incorporating knowledge of the transition probabilities between regimes. Furthermore, making use of the signal present within the ensemble to better inform the prior probabilities allows for identifying more pronounced interannual variability. The signal within the interannual variability of wintertime North Atlantic circulation regimes is assessed using both a categorical and regression approach, with the strongest signals found during very strong El Ni\~no years.


翻译:在研究大气环流制度及其动态时,标准的方法是使用硬性的、绝对的系统分配,即将每个大气状态指定给最接近距离的管理制度,然而,这不一定总是最适当的办法,因为由于噪音,制度分配可能因与制度距离的微小偏差而受到影响。为了减轻这种偏差,我们利用拜斯理论来发展一种概率性制度分配办法。拜斯理论告诉我们,一个制度提供数据的概率可以通过将气候可能性与先前的信息结合起来来确定。当时的制度概率t可用于在时间 t+1上通报先前的概率,然后用于连续更新制度概率。我们采用这一办法对数据进行再分析,并采用季节性交错组合,同时纳入对制度之间过渡概率的了解。此外,利用该套内存在的信号,更好地为先前的概率提供信息,从而能够确定更明显的年度间变异性。在冬季北大西洋环流制度内部发现的强烈的信号,即采用直线式回归法,在冬季北大西洋环流制度期间,以最强烈的信号评估。

0
下载
关闭预览

相关内容

先验概率(prior probability)是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现的概率。
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年8月12日
Arxiv
0+阅读 · 2022年8月11日
Arxiv
12+阅读 · 2019年4月9日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员