数据驱动中程全球天气预报的长期预测准确性提升
机器学习
2024-07-03 v1 人工智能
摘要
长期稳定性是数据驱动中程全球天气预报的关键要求。谱偏差被认定是导致不稳定性的主要原因，因数据驱动方法难以学习小尺度动力学。本文揭示，这些不稳定性的普遍机制不仅与谱偏差有关，也与使用常规卷积处理球面数据所导致的扭曲有关。这些扭曲会在连续的长期迭代中导致误差快速放大，显著降低预测准确性。为解决这一问题，本文引入了称为球面调和神经算子（SHNO）的通用神经算子，以提高长期迭代预测的准确性。SHNO 使用球面调和基底来减轻球面数据的扭曲，并使用门控残差谱注意力（GRSA）纠正由不同尺度之间不正相关性引起的谱偏差。通过应用于球面浅层水方程（SWEs）和中程全球天气预报，验证了所提出方法的有效性和优势。我们的发现突显了 SHNO 在提高长期预测准确性方面的好处及其潜力。
引用
@article{arxiv.2407.01598,
title = {Long-Term Prediction Accuracy Improvement of Data-Driven Medium-Range Global Weather Forecast},
author = {Yifan Hu and Fukang Yin and Weimin Zhang and Kaijun Ren and Junqiang Song and Kefeng Deng and Di Zhang},
journal= {arXiv preprint arXiv:2407.01598},
year = {2024}
}