DeepDownscale：一种用于高分辨率天气预报的深度学习策略
机器学习
2018-08-17 v1 人工智能
机器学习
摘要
运行高分辨率物理模型计算代价高昂，且对许多学科必不可少。农业、交通和能源是依赖高分辨率天气模型的领域，这类模型通常耗费大型高性能计算(HPC)系统数小时以交付及时结果。许多用户无力承担所需分辨率的计算，被迫使用低分辨率输出。一种简单方案是插值结果用于可视化。也可结合低分辨率模型集合以获得更好预测。然而，这些方法未能捕捉低分辨率输入中可帮助提升预测质量的冗余信息与模式。本文中，我们提出并评估了一种基于深度神经网络的策略，以天气预报为实际用例，从低分辨率预测中学习高分辨率表示。我们采用监督学习方法，因为获取标注数据可自动完成。结果显示与标准做法相比有显著改进，且该策略仍足够轻量以在普通计算机系统上运行。
引用
@article{arxiv.1808.05264,
title = {DeepDownscale: a Deep Learning Strategy for High-Resolution Weather Forecast},
author = {Eduardo R. Rodrigues and Igor Oliveira and Renato L. F. Cunha and Marco A. S. Netto},
journal= {arXiv preprint arXiv:1808.05264},
year = {2018}
}
备注
8 pages, 6 figures, accepted for publication at 14th IEEE eScience