通过深度神经网络提升北加利福尼亚山脉确定性冰层高度预测 accuracy
大气与海洋物理
2025-08-28 v2
摘要
准确预测冰层高度对水气象预报系统至关重要，直接关系到径流生成和水库管理。本研究开发了基于深度学习的后处理框架，采用 Unet 卷积神经网络架构来细化西德气象研究与预报西 WRF 模型的冰层高度（FZL）预测。该框架利用西 WRF 的重 forecast 数据和加州内维拉尔森预报中心的 FZL 估计值，在北加利福尼亚山脉的水源流域（如水力学关键的 Yuba Feather 河流域）上开发 Unet 模型。我们引入两种 Unet 模型变体，Unet_log 和 Unet_GMM，使用超出标准基准的专用损失函数来增强预测技能。Unet_log 采用误差余弦损失，Unet_MM 使用高斯混合模型损失函数，以提高 FZL 预测水平。结果表明，与原始西 WRF 相比，基于 Unet 的后处理将中心化均方根误差降低最高可达 20%，并将预测观测相关性提高约 10%。针对 Unet_GMM 的连续排序概率得分评估进一步显示在不同预报时滞下，性能表现均有所提升。尽管性能随预报时程、气象暴发和日循环作用而波动，但 Unet_GMM 和 Unet_log 持续优于基线模型。这些模型捕捉了 FZL 在不同海拔高度上的时空变化，缓解了西 WRF 模型的偏差。这种新型基于深度学习的后处理方法展示了将机器学习集成到水气象预报和 Forecast Informed Reservoir Operations 框架中决策支持中的可行路径。
引用
@article{arxiv.2504.11560,
title = {Enhancing Deterministic Freezing Level Predictions in the Northern Sierra Nevada Through Deep Neural Networks},
author = {Vesta Afzali Gorooh and Agniv Sengupta and Shawn Roj and Rachel Weihs and Brian Kawzenuk and Luca Delle Monache and F. Martin Ralph},
journal= {arXiv preprint arXiv:2504.11560},
year = {2025}
}