AdaNAS：基于自监督神经架构搜索的自适应后处理用于集合降雨预报
机器学习
2024-02-06 v2 人工智能
大气与海洋物理
摘要
先前利用数值天气预报（NWP）进行降雨预报后处理的研究主要集中在基于统计的方面，而基于学习的方面很少被研究。尽管提出了一些手动设计的模型来提高精度，但它们都是定制网络，需要反复尝试和验证，耗费大量时间和人力。因此，本文提出了一种无需大量人工努力的自监督神经架构搜索（NAS）方法，称为AdaNAS，用于执行降雨预报后处理并高精度预测降雨。此外，我们设计了一个降雨感知搜索空间，以显著改善高降雨区域的预报。此外，我们提出了一个降雨级别正则化函数，以消除训练过程中噪声数据的影响。在名为TIGGE的大规模降水基准上，针对无雨、小雨、中雨、大雨和暴雨情况进行了验证实验。最后，所提出的AdaNAS模型的平均绝对误差（MAE）和均方根误差（RMSE）分别为0.98和2.04 mm/天。此外，将所提出的AdaNAS模型与其他神经架构搜索方法和先前的研究进行了比较。比较结果表明，所提出的AdaNAS模型在降水量预测和强度分类方面具有令人满意的性能和优越性。具体来说，所提出的AdaNAS模型优于先前表现最佳的手动方法，MAE和RMSE分别提高了80.5%和80.3%。
引用
@article{arxiv.2312.16046,
title = {AdaNAS: Adaptively Post-processing with Self-supervised Neural Architecture Search for Ensemble Rainfall Forecasts},
author = {Yingpeng Wen and Weijiang Yu and Fudan Zheng and Dan Huang and Nong Xiao},
journal= {arXiv preprint arXiv:2312.16046},
year = {2024}
}