使用带注意力与上下文匹配机制的卷积 LSTM 进行数值天气预报
摘要
使用高分辨率物理模型进行数值天气预报通常需要在超级计算机上耗费大量计算资源，这限制了其在大多数现实应用中的广泛使用。作为补救，应用深度学习方法已在该领域展现出创新性解决方案。为此，我们引入了一种用于预报高分辨率时空天气数据的新深度学习架构。我们的方法通过集成卷积长短期记忆（Convolutional Long-short Term Memory）与卷积神经网络扩展了常规的编码器-解码器结构。此外，我们将注意力与上下文匹配机制纳入模型架构。我们的天气模型相比基线深度学习模型（包括 ConvLSTM、TrajGRU 和 U-Net）取得了显著的性能提升。我们的实验评估涉及大规模真实世界基准数值天气数据集，即 ERA5 气压层每小时数据集与 WeatherBench。我们的结果表明，在利用聚焦于输入序列不同部分以建模大气环流的注意力矩阵来识别时空相关性方面取得了实质性改进。我们还使用基准指标将我们的模型与高分辨率物理模型进行比较，并表明我们的天气模型准确且易于解释。
引用
@article{arxiv.2102.00696,
title = {Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms},
author = {Selim Furkan Tekin and Arda Fazla and Suleyman Serdar Kozat},
journal= {arXiv preprint arXiv:2102.00696},
year = {2023}
}
备注
- In our journal submission, we removed the integration of the observational data section since it was not used in the experiments. Thus, we also removed the authors from the paper who were responsible for that section. - In the second version, we also performed an experiment on WeatherBench. We compare our results with the Physical Weather Forecasting Models