通过对数值天气预报进行后处理实现降水预报的基准数据集
机器学习
2022-08-25 v2 大气与海洋物理
摘要
降水预报是一项重要的科学挑战,对社会具有广泛影响。历史上,该挑战一直通过使用基于物理模拟的数值天气预报(NWP)模型来应对。近来,许多工作提出了一种替代方法,使用端到端深度学习(DL)模型来取代基于物理的 NWP 模型。尽管这些 DL 方法展现出更优的性能和计算效率,它们在长期预报中存在局限且缺乏可解释性。在本工作中,我们提出一种混合 NWP-DL 工作流,以填补独立 NWP 与 DL 方法之间的空白。在该工作流下,NWP 模型的输出被输入深度神经网络,由其对数据进行后处理以产生精细化的降水预报。该深度模型以有监督方式训练,使用自动气象站(AWS)观测作为真值标签。这能兼顾两者之长,甚至可从 NWP 技术的未来改进中获益。为促进该方向的研究,我们提出一个聚焦于朝鲜半岛的新数据集,称为 KoMet(韩国气象数据集),由 NWP 输出与 AWS 观测组成。NWP 模型采用了全球资料同化与预报系统-韩国综合模式(GDAPS-KIM)。我们针对 KoMet 的挑战(包括 AWS 观测的稀疏性与类别不平衡)提供了一组全面基线方法的分析。为降低入门门槛并鼓励进一步研究,我们还提供了一个广泛的开源 Python 包用于数据处理与模型开发。我们的基准数据与代码可在 https://github.com/osilab-kaist/KoMet-Benchmark-Dataset 获取。
引用
@article{arxiv.2206.15241,
title = {Benchmark Dataset for Precipitation Forecasting by Post-Processing the Numerical Weather Prediction},
author = {Taehyeon Kim and Namgyu Ho and Donggyu Kim and Se-Young Yun},
journal= {arXiv preprint arXiv:2206.15241},
year = {2022}
}
备注
Under Review on NeurIPS 22 Benchmark Dataset Track