高分辨率全球降水预报的生成式建模
机器学习
2022-10-25 v1 人工智能
计算机视觉与模式识别
大气与海洋物理
摘要
预报全球降水格局尤其是极端降水事件，对气候变化的准备与适应至关重要。使用传统物理模型制作准确的高分辨率降水预报在业务天气预报中仍是一项重大挑战，因其计算成本巨大且难以达到足够的预报技巧。近来，基于深度学习的模型在降水预报技巧上缩小与数值天气预报(NWP)模型差距方面展现出巨大潜力，为降水建模开辟了令人振奋的新途径。然而，这些深度学习模型难以完全解析降水现象的精细结构，并充分刻画长尾降水分布的极值。本工作中，我们利用一种新颖的生成对抗网络(GAN)对当前最先进深度学习降水模型(FourCastNet)的架构与训练过程作出若干改进，以更好地捕捉精细尺度与极值。我们的改进在捕捉全球降水极端百分位数上取得优越表现，同时在 1–2 天预报时效的预报技巧上与最先进 NWP 模型相当。综上，这些改进确立了全球降水预报的新最先进水平。
引用
@article{arxiv.2210.12504,
title = {Generative Modeling of High-resolution Global Precipitation Forecasts},
author = {James Duncan and Shashank Subramanian and Peter Harrington},
journal= {arXiv preprint arXiv:2210.12504},
year = {2022}
}
备注
Accepted to NeurIPS 2022 Tackling Climate Change with Machine Learning Workshop