综合预报系统离线与在线混合模型的开发
机器学习
2025-06-05 v2 机器学习
摘要
近年来，完全数据驱动的全球数值天气预报模型的开发取得了显著进展。这些机器学习天气预报模型具有其优势， notably 准确性和低计算需求，但也存在弱点：它们难以表示基本的动力平衡，且远不适合数据同化实验。混合建模 emerges 作为一种解决这些限制的有前景的方法。混合模型集成了基于物理的核心组件与统计组件（通常是神经网络），以增强预测能力。在本文中，我们提议使用神经网络为欧洲中期天气预报中心（ECMWF）的业务综合预报系统（Integrated Forecasting System, IFS）开发模型误差校正。该神经网络最初使用大量业务分析和分析增量数据集进行离线预训练。随后，训练好的网络被集成到面向对象预测系统（Object-Oriented Prediction System, OOPS）内的 IFS 中，以便用于数据同化和预报实验。然后，使用最近开发的弱约束 4D-Var 变体对其进行进一步的在线训练。结果表明，预训练的神经网络已经提供了可靠的模型误差校正，这在许多条件下转化为减少的预报误差，并且在线训练在许多条件下进一步提高了混合模型的准确性。
引用
@article{arxiv.2403.03702,
title = {Development of an offline and online hybrid model for the Integrated Forecasting System},
author = {Alban Farchi and Marcin Chrust and Marc Bocquet and Massimo Bonavita},
journal= {arXiv preprint arXiv:2403.03702},
year = {2025}
}