利用预训练天气嵌入学习预报诊断参数
机器学习
2023-12-04 v1
摘要
数据驱动天气预测（DDWP）模型在天气预报中日益流行。然而，尽管业务天气预报预测多种天气变量，DDWP 目前仅预测一组特定的关键预报变量。非预报（“诊断”）变量有时作为预报变量的因变量单独建模（参见 FourCastNet），或通过将诊断变量作为 DDWP 中的目标包含进来。然而，为每个诊断变量训练和部署定制模型的成本会随着诊断变量增多而急剧上升，并限制此类模型的业务应用。同样，每次新增诊断变量时重新训练整个 DDWP 也成本高昂。我们提出一种两阶段方法，可将新诊断变量添加到端到端 DDWP 模型而无需昂贵的重训练。第一阶段，我们训练一个自动编码器，学习将预报变量嵌入潜空间。第二阶段，冻结自动编码器并训练“下游”模型，仅使用预报变量的潜表示作为输入来预测诊断变量。我们的实验表明，采用两阶段方法训练的模型精度可与定制模型相媲美，同时显著减少训练和推理阶段的资源消耗。该方法允许按需开发新的“下游”模型，且不影响现有模型，从而降低新模型业务化的阻力。
引用
@article{arxiv.2312.00290,
title = {Learning to forecast diagnostic parameters using pre-trained weather embedding},
author = {Peetak P. Mitra and Vivek Ramavajjala},
journal= {arXiv preprint arXiv:2312.00290},
year = {2023}
}
备注
Accepted as a spotlight paper at the NeurIPS 2023 workshop on Tackling Climate Change with Machine Learning