稀疏天气站观测的生成式数据同化
机器学习
2025-04-02 v3 大气与海洋物理
摘要
将观测数据同化至完整大气态状是天气预报模型初始化的关键步骤。最近提出了用于深度生成式数据同化的方法, 能够在无需重新训练模型的情况下使用新输入数据, 也可显著加速运营区域气象模式中昂贵的数据同化过程。本文在美国中部测试区演示了在真实复杂的公里尺度天气情境下, 使用基于得分的数据同化方法的可行性。我们训练了一个无条件扩散模型, 生成高分辨率快速更新分析产品(High Resolution Rapid Refresh)的快照。然后, 通过基于得分的数据同化方法融合稀疏天气站数据, 模型生成降水和地面风场。生成的场显示出物理上合理的结构, 如风锋;灵敏度测试确认通过多变量关系学习到的物理知识。初步技能分析表明, 本方法已优于High Resolution Rapid Refresh系统本身的简单基准。通过融合40个天气站的观测数据, 在留出的站点上实现10%的RMSE降低。尽管仍存在一些残余缺陷, 如ensemble DA估计不够分散, 但我们发现整体结果令人鼓舞, 这首次在公里尺度实现了该方法。不妨探索将日益激进的区域状态生成器与越来越多的现场、地面基站以及卫星遥感数据流相结合的扩展方案。
引用
@article{arxiv.2406.16947,
title = {Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales},
author = {Peter Manshausen and Yair Cohen and Peter Harrington and Jaideep Pathak and Mike Pritchard and Piyush Garg and Morteza Mardani and Karthik Kashinath and Simon Byrne and Noah Brenowitz},
journal= {arXiv preprint arXiv:2406.16947},
year = {2025}
}
备注
22 pages, 9 figures