大气状态的神经压缩

大气态重分析derived的数据在天气和气候仿真输出中占据相当大的比例。许多利益相关方——包括研究人员、政策制定者和保险公司——利用这些数据更好地理解地球系统并指导政策决策。大气态还因机器学习方法在天气预测中取得了令人鼓舞的成果而受到越来越多的关注。对于所有受众而言，密集时间序列的这些高维态数据包含大量数据，阻止了大多数资源充足的组织获取和使用历史数据和未来预测。为此，我们提出了一种使用来自神经网络文献的方法对大气态进行压缩，通过采用保持面积的 HEALPix 投影将球面数据适应常规神经架构进行处理。我们研究了两种构建神经压缩器的模型类别：来自神经图像压缩文献的超先验模型和最近的向量量化模型。我们展示了两种模型族都满足小平均误差、少量高误差重构像素、对极端事件（如飓风和热浪）的忠实再现、以及跨空间尺度的谱功率分布保持等要求。我们演示的压缩比率超过1000倍，压缩和解压缩的速度约为每秒一个全球大气态。