基于生成集成深度学习的确定性允许对流模式强天气预报
机器学习
2025-09-17 v2 人工智能
大气与海洋物理
摘要
我们开发了一种集成后处理方法，用于美国本土(CONUS)强天气(龙卷风、冰雹和阵风)的概率预报。该方法将条件生成对抗网络(CGANs，一种深度生成模型)与卷积神经网络(CNN)相结合，以对允许对流模式(CAM)预报进行后处理。CGANs旨在从确定性CAM预报中创建合成集成成员，其输出由CNN处理以估计强天气概率。该方法使用高分辨率快速刷新(HRRR) 1–24小时预报作为输入、风暴预测中心(SPC)强天气报告作为目标进行测试。与其他基于神经网络的参考方法相比，该方法在2021年HRRR预报测试数据集上产生了具有高达20% Brier Skill Score (BSS)提升的技巧性预报。对于不确定性量化评估，该方法过于自信但产生了可区分好与坏预报的有意义集成离散度。我们还评估了CGAN输出的质量。结果表明CGAN输出的行为类似于数值集成；它们保留了原HRRR预报中的变量间相关性和有影响预测因子的贡献。本工作提供了一种使用神经网络后处理CAM输出的新方法，可应用于强天气预报。
引用
@article{arxiv.2310.06045,
title = {Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model},
author = {Yingkai Sha and Ryan A. Sobash and David John Gagne},
journal= {arXiv preprint arXiv:2310.06045},
year = {2025}
}