使用流匹配生成空间相干的现场预报集合

我们提出了一种基于机器学习的方法，用于现场天气预报后处理，该方法既具有空间相干性又具有多变量性。与以往工作相比，我们的流匹配后处理（FMAP）更好地表示了观测分布的相关结构，同时改善了站点上的边际性能。FMAP生成的预报不受底层网格预测已经建模的限制，并且可以从数据中推断出新的相关结构。由此产生的模型可以从有限数量的数值模拟中生成任意数量的预报，从而实现低成本预报系统。单次训练足以在多个提前时间进行后处理，而其他方法在生成时使用多个训练好的网络。本文详细介绍了我们的方法，包括在流匹配生成建模框架内训练的空间注意力变换器骨干网络。FMAP在EUPPBench数据集上的实验中显示出有希望的性能，预测了西欧站点位置的地表温度和阵风值，提前时间长达五天。