用于对流临近预报的深度正交分解方法
计算物理
2020-06-30 v1 机器学习
摘要
驱动气候的结构化时空过程的短期预测对数百万人的安全与福祉具有深远意义，但这些过程的显著非线性对流使得即便短期动力学也难以给出完整的机制描述。然而，对流传输不仅提供了该问题基于原理的物理描述，也指示了信息性特征随时间的传输，这促成了近期“无物理”临近预报方法的成功发展。本工作中我们证明，物理信息模型仍发挥着重要作用，其可成功利用深度学习（DL）将过程投影至更低维空间，并在其上保持最小动力学描述。我们的方法综合了 DL 的特征提取能力与物理驱动的动力学，在包括海表温度与降水在内的复杂真实世界数据集上优于现有的无模型方法以及最先进的混合方法。
引用
@article{arxiv.2006.15628,
title = {Deep Orthogonal Decompositions for Convective Nowcasting},
author = {Daniel J. Tait},
journal= {arXiv preprint arXiv:2006.15628},
year = {2020}
}