MambaDS：基于地形约束选择性状态空间建模的近地表气象场降尺度
大气与海洋物理
2024-08-21 v1 人工智能
计算机视觉与模式识别
摘要
在极端天气频发和全球变暖的时代，获取精确、精细的近地表天气预报对人类活动日益重要。降尺度（DS）是气象预报中的关键任务，能够从全球尺度预报结果中重建目标区域的高分辨率气象状态。先前的降尺度方法受 CNN 和基于 Transformer 的超分辨率模型启发，缺乏针对气象学的专门设计，并遇到结构性限制。特别地，它们未能有效整合地形这一降尺度过程中的关键先验信息。在本文中，我们通过将选择性状态空间模型引入气象场降尺度来解决这些限制，并提出了一种名为 MambaDS 的新模型。该模型增强了多变量相关性和地形信息的利用，这是降尺度过程中的独特挑战，同时保留了 Mamba 在长程依赖建模和线性计算复杂度方面的优势。通过在中国大陆和美国大陆（CONUS）的广泛实验，我们验证了所提出的 MambaDS 在三种不同类型的气象场降尺度设置中取得了最先进的结果。我们将随后发布代码。
引用
@article{arxiv.2408.10854,
title = {MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling},
author = {Zili Liu and Hao Chen and Lei Bai and Wenyuan Li and Wanli Ouyang and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2408.10854},
year = {2024}
}