MetaSD：面向多样化场景的气象变量可扩展降尺度统一框架
大气与海洋物理
2024-04-30 v1 人工智能
机器学习
摘要
以精细空间分辨率处理复杂的气象过程需要大量计算资源。为了加速气象模拟，研究人员利用神经网络从低分辨率模拟中对气象变量进行降尺度。尽管取得了显著进展，但当代前沿的降尺度算法仍针对特定变量量身定制。孤立地处理气象变量忽略了它们之间的相互联系，导致对大气动力学的理解不完整。此外，单个变量降尺度所需的数据收集、标注和计算资源的繁琐过程也是重大障碍。鉴于现有模型在不同气象变量之间通用性有限，且未能考虑变量间关系，本文提出了一种利用元学习的统一降尺度方法。该框架旨在促进对源自各种数值模型和时空尺度的不同气象变量进行降尺度。该方法在由 ERA5 和 GFS 的温度、风、地表气压和总降水量组成的变量上进行了训练，并可扩展至对来自 CFS、S2S 和 CMIP6 的不同时空尺度下的对流降水、位能、高度、湿度和臭氧进行降尺度，这证明了其捕捉不同变量间相互联系的能力。我们的方法代表了创建通用降尺度模型的初步尝试。实验证据表明，所提出的模型在定量和定性评估中均优于现有的顶级降尺度方法。
引用
@article{arxiv.2404.17611,
title = {MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations},
author = {Jing Hu and Honghu Zhang and Peng Zheng and Jialin Mu and Xiaomeng Huang and Xi Wu},
journal= {arXiv preprint arXiv:2404.17611},
year = {2024}
}