面向大气状态估计中观测影响分析的可解释图神经网络
人工智能
2024-03-27 v1 计算机与社会
摘要
本文利用图神经网络(GNN)与可解释性方法，研究天气预系统中观测对大气状态估计的影响。我们将观测点与数值天气预报(NWP)点整合进气象图，提取以NWP点为中心的跳子图。采用自监督GNN聚合这些跳半径内的数据来估计大气状态。研究应用基于梯度的可解释性方法，量化估计过程中不同观测的重要性。基于11种卫星与地基观测数据的评估结果表明，可视化观测类型重要性的方法效果显著，有助于加深对天气预报中观测数据的理解与优化。
引用
@article{arxiv.2403.17384,
title = {Explainable Graph Neural Networks for Observation Impact Analysis in Atmospheric State Estimation},
author = {Hyeon-Ju Jeon and Jeon-Ho Kang and In-Hyuk Kwon and O-Joun Lee},
journal= {arXiv preprint arXiv:2403.17384},
year = {2024}
}