Neural Network Based Seasonal Predictions of Lake-Effect Snowfall

Abstract

In the case of the city of Buffalo (New York, United States), located on the eastern shore of Lake Erie and, therefore, strongly influenced by the lake-effect, total monthly snowfall was predicted one to six months in advance. For this, neural network (NN) techniques, specifically a multi-layer perceptron, as well as a multiple linear regression (LR) model were applied. The period of analysis comprised 28 years from January 1982 to December 2009. Input data included surface air temperature; the temperature difference between the lake surface water temperature (LSWT) and the 850 hPa air temperature; the u-component of the wind (u-wind) and the v-component of the wind (v-wind), geopotential height (GPH) over Lake Erie and the surrounding regions at the 1000, 925, 850 and 700 hPa levels as well as the surface pressure; the 500 hPa GPH over James Bay, Canada; the surface pressure over the Great Plains; and the mean water temperature and LSWT of Lake Erie, as well as the amount of ice cover. Moreover, several teleconnection indices were implemented: the North Atlantic Oscillation (NAO), the Arctic Oscillation (AO), the Pacific/North American (PNA) pattern, the Southern Oscillation Index (SOI) and the Pacific Decadal Oscillation (PDO). Different lead times for the input variables were tested for their suitability. The most accurate result was obtained using the NN with an optimized one-month lead time approach (lead times varied between one and six months for the different input variables). R ésumé [Traduit par la rédaction] Dans le cas de la ville de Buffalo (New York, États–Unis), située sur la rive est du lac Érié et donc fortement influencée par l'effet de lac, nous avons prévu la chute de neige mensuelle totale de un à six mois à l'avance. À cette fin, nous avons appliqué des techniques de réseau neuronal, plus précisément un perceptron multicouche, ainsi qu'un modèle de régression linéaire multiple. La période d'analyse s’étendait sur 28 années, de janvier 1982 à décembre 2009. Les données d'entrée consistaient en : la température de l'air à la surface; la différence entre la température de l'eau à la surface du lac et celle de l'air à 850 hPa; la composante u du vent (vent–u) et la composante v du vent (vent-v), la hauteur géopotentielle au-dessus du lac Érié et de la région environnante aux niveaux 1000, 925, 850 et 700 hPa ainsi que la pression à la surface; la hauteur géopotentielle à 500 hPa au-dessus de la baie James au Canada; la pression à la surface dans les Grandes Plaines; et la température moyenne de l'eau ainsi que la température de l'eau à la surface du lac Érié de même que l’étendue de la couverture de glace. De plus, nous nous sommes servis de plusieurs indices de téléconnexion : l'oscillation de l'Atlantique Nord, l'oscillation de l'Arctique, la téléconnexion Pacifique-Amérique du Nord, l'indice d'oscillation australe et l'oscillation décennale du Pacifique. Nous avons testé la convenance de différents délais de démarrage pour les variables d'entrée. Le résultat le plus précis a été obtenu en utilisant le réseau neuronal avec une approche de délais de démarrage optimisé d'un mois (les délais de démarrage variaient entre un et six mois pour les différentes variables d'entrée).