HR-Extreme：用于极端天气预报的高分辨率数据集
机器学习
2025-02-19 v2
摘要
大型深度学习模型在天气预报中的应用推动了该领域的重大进展，包括以 Pangu 和 Fuxi 等模型为代表的更高分辨率预报和更长预测期。尽管取得了这些成功，但以往的研究很大程度上忽略了对极端天气事件的处理，且专门针对此类事件整理的数据集仍然有限。鉴于准确预报极端天气的关键重要性，本研究引入了一个综合数据集，其中包含了源自 High-Resolution Rapid Refresh (HRRR) 数据（由 NOAA 提供的 3 km 实时数据集）的高分辨率极端天气案例。我们还在 HR-Extreme 上评估了当前最先进的深度学习模型和数值天气预报（NWP）系统，并提供了一个改进的基线深度学习模型 HR-Heim，该模型在总体损失和 HR-Extreme 上的表现均优于其他模型。我们的结果表明，极端天气案例的误差显著大于总体预报误差，凸显了它们是天气预报中损失的一个重要来源。这些发现强调了未来研究需要专注于提高极端天气预报的准确性，以增强其实用价值。
引用
@article{arxiv.2409.18885,
title = {HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting},
author = {Nian Ran and Peng Xiao and Yue Wang and Wesley Shi and Jianxin Lin and Qi Meng and Richard Allmendinger},
journal= {arXiv preprint arXiv:2409.18885},
year = {2025}
}
备注
Accepted at the International Conference on Learning Representations (ICLR) 2025. Supplementary matrials link: https://openreview.net/forum?id=5AtlfHYCPa