如何系统地开发有效的基于 AI 的偏差纠正模型？
机器学习
2025-04-23 v1 人工智能
大气与海洋物理
摘要
本研究介绍了 ReSA-ConvLSTM，这是一个用于系统性偏差纠正的人工智能 (AI) 框架。我们通过集成动态气候归一化、受时间因果约束的 ConvLSTM 以及残差自注意力机制，提出了三项创新。该模型在 ECMWF 预测数据与 ERA5 再分析数据之间建立了物理感知的非线性映射。利用 1981-2021 年全球大气数据的 41 年，框架对 2 米气温 (T2m)、10 米风速 (U10/V10) 和海平面气压 (SLP) 进行系统性偏差校正，较操作性 ECMWF 输出在 1-7 天预报中实现最高可达 20% 的均方根误差降低。该轻量级架构（10.6 百万参数）使其能够高效地泛化到多个变量和下游应用，跨变量校正的再训练时间缩短 85%，并通过偏差校正的边界条件改善海洋模型的技能。消融实验表明，我们的创新显著提高了模型的校正性能，表明将变量特征纳入模型有助于提升预报技能。
引用
@article{arxiv.2504.15322,
title = {How to systematically develop an effective AI-based bias correction model?},
author = {Xiao Zhou and Yuze Sun and Jie Wu and Xiaomeng Huang},
journal= {arXiv preprint arXiv:2504.15322},
year = {2025}
}