基于多模态地球观测数据的局部离网天气预报
应用统计
2025-02-11 v3
摘要
紧急应用，如野火管理和可再生能源发电，需要对地表附近的地点进行精确的局部天气预报。然而，由机器学习模型或数值天气预报系统生成的预报通常是在大尺度规则网格上生成的，无法通过直接下采样捕获细粒度、近地面的天气模式。本文提出一种多模态变换器模型，端到端训练以将网格化预报下采样到感兴趣的离网位置。我们的模型直接将当地历史天气观测（如风速、温度、露点）与网格化预报相组合，以在各种 lead 时间上产生准确的局部预测。收集的多种数据模态在站点级别拼接，作为每个站点的一个 token。通过自注意力机制，目标位置对应的 token 会聚合其相邻 token 的信息。使用美国东北部的天气站进行实验，表明本模型在多种数据驱动和非数据驱动的离网预测方法中表现优异。实验还揭示，直接输入站点数据可在局部天气预报准确性方面提供相位偏移，相较于基于纯网格数据的模型，预测误差可降低最高80%。该方法展示了如何弥合大尺度天气模型与准确的局部预报之间的差距，以支持高风险、位置敏感的决策。
引用
@article{arxiv.2410.12936,
title = {Development of COVID-19 Booster Vaccine Policy by Microsimulation and Q-learning},
author = {Guoxuan Ma and Lili Zhao and Jian Kang},
journal= {arXiv preprint arXiv:2410.12936},
year = {2025}
}