利用深度生成模型提高降水预报的精度与分辨率

准确预报极端降雨历来十分困难，但随着气候变化使此类极端事件愈发频繁，其对社会也愈发关键。全球数值天气预报模式往往难以捕捉极端事件，且输出分辨率过低而不具可操作性，而区域高分辨率模式在计算与人力上均极其昂贵。本文探索使用深度生成模型对美国大陆的全球集合预报同时进行校正与降尺度（超分辨率）。具体而言，以精细雷达观测为真值，我们训练了一个条件生成对抗网络——称为 CorrectorGAN——通过自定义训练流程与增广损失函数，基于粗分辨率全球降水预报及其他相关气象场生成高分辨率、偏差校正后的集合预报。我们的模型优于插值基线，以及仅超分辨率方法和基于 CNN 的单变量方法，并在一系列既定概率指标上接近业务区域高分辨率模式的性能。关键在于，CorrectorGAN 一旦训练完成，便可在单台机器上于数秒内作出预测。这些结果引发了关于区域模式必要性的令人振奋的问题，以及数据驱动的降尺度与校正方法能否迁移至迄今无法获取高分辨率预报的贫数据区域。