基于陆表面模型的预测进展：LSTM、梯度提升与全连接神经网络模型作为预估状态模拟器的比较研究
大气与海洋物理
2024-07-24 v1 机器学习
摘要
面向大众的有用天气预报局限于近地表。与近地表天气预报最相关的过程也是最具互动性的过程，这些过程可能存在正反馈或在能量分区中发挥关键作用。陆表面模型（LSM）将这些过程一并考虑，同时考虑地表异质性，对水、碳和能量通量进行预测，并与大气模型耦合提供边界和初始条件。这种对大气边界的数值参数化计算昂贵，因此日益增长的统计代理模型用于加速实验研究。我们评估了三种代理模型在加速实验研究中的效率，通过模拟陆表过程来预测水、碳和能量通量，这些过程是耦合大气模型中不可或缺的部分。具体而言，我们在物理信息化的多目标框架下，比较了长短期记忆（LSTM）编码解码网络、极端梯度提升（XGBoost）和全连接神经网络（MLP）的性能。该框架在大陆和全球尺度上模拟 ECMWF 集成预报系统（IFS）陆表方案 ECLand 的关键状态。我们的发现表明，尽管所有模型在预报期内平均表现出高准确性，但在细致调优后 LSTM 在大陆长期预测中表现突出，XGB 在各任务中始终表现高分，MLP 在实现时间与精度之间提供了优异的权衡。与完整数值模型相比，这些模拟器实现的运行时缩减显著，为进行陆表数值实验提供了更快且可靠的替代方案。
引用
@article{arxiv.2407.16463,
title = {Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators},
author = {Marieke Wesselkamp and Matthew Chantry and Ewan Pinnington and Margarita Choulga and Souhail Boussetta and Maria Kalweit and Joschka Boedecker and Carsten F. Dormann and Florian Pappenberger and Gianpaolo Balsamo},
journal= {arXiv preprint arXiv:2407.16463},
year = {2024}
}