用于空间感知集成后处理的卷积自编码器
机器学习
2022-04-12 v1 大气与海洋物理
摘要
集成天气预测通常存在需通过事后处理修正的系统误差。即便基于神经网络的最先进后处理方法也常仅依赖特定位置的预测因子，需要将物理天气模型的空间预报场插值到目标位置。然而，输入场中大规模空间结构所包含的潜在有用可预报信息可能在该插值步骤中丢失。因此，我们提出使用卷积自编码器来学习空间输入场的紧凑表示，进而将其作为附加输入以增强特定位置信息用于后处理模型。在德国地面站2米温度预报的案例研究中，展示了引入该空间信息的益处。
引用
@article{arxiv.2204.05102,
title = {Convolutional autoencoders for spatially-informed ensemble post-processing},
author = {Sebastian Lerch and Kai L. Polsterer},
journal= {arXiv preprint arXiv:2204.05102},
year = {2022}
}
备注
Accepted as conference paper at ICLR 2022 - AI for Earth and Space Science Workshop, https://ai4earthscience.github.io/iclr-2022-workshop/