一种用于西太平洋风场预报实时偏差校正深度学习方法
大气与海洋物理
2023-01-04 v1 人工智能
计算机视觉与模式识别
摘要
欧洲中期天气预报中心(ECMWF;简称EC)的预报可为海上灾害预警系统的建立提供依据,但其存在一定系统性偏差。第五代EC大气再分析(ERA5)数据精度较高,但约有5天延迟。为克服该问题,可采用时空深度学习方法实现EC与ERA5数据间的非线性映射,从而实时提升EC风场预报数据质量。本研究开发了多任务双编码器轨迹门控循环单元(MT-DETrajGRU)模型,利用改进的双编码器预报架构对风场U、V分量的时空序列建模;设计了多任务学习损失函数,仅用单一模型同时校正风速与风向。研究区域为西太平洋(WNP),对EC于2020年12月至2021年11月发布的10天风场预报按四季进行实时滚动偏差校正。相较原始EC预报,经MT-DETrajGRU模型校正后,四季风速偏差降低8–11%,风向偏差降低9–14%。此外,所提方法在不同天气条件下对数据统一建模,正常与台风条件下校正性能相当,表明所构建的数据驱动模式具有鲁棒性与泛化能力。
引用
@article{arxiv.2212.14160,
title = {A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific},
author = {Wei Zhang and Yueyue Jiang and Junyu Dong and Xiaojiang Song and Renbo Pang and Boyu Guoan and Hui Yu},
journal= {arXiv preprint arXiv:2212.14160},
year = {2023}
}
备注
18 pages