基于观测驱动的数值天气预报对海上风场的修正
机器学习
2025-12-04 v1
摘要
准确的海上风预报对安全航行、船舶航线规划和能源作业至关重要，但由于海洋上观测数据稀疏、异质且时变，这一任务仍具挑战性。我们将风预报重新表述为对全球数值天气预报（NWP）模型的观测驱动修正。与直接预报风不同，我们通过同化最新的原位观测来学习局部修正模式，以调整全球预报系统（GFS）的输出。我们提出了一种基于Transformer的深度学习架构：(i) 通过掩码和基于集合的注意力机制处理不规则且时变的观测集，(ii) 通过交叉注意力以近期观测-预报对为条件进行预测，(iii) 采用周期性时间嵌入和坐标感知位置表示以在任意空间坐标上实现单次推理。我们在大西洋上使用国际综合海洋-大气数据集（ICOADS）的观测进行评估。该模型在所有预报时效长达48小时内降低了GFS 10米风速的RMSE，在1小时预报时效实现45%的改善，在48小时预报时效实现13%的改善。空间分析揭示，沿海岸线和航线改善最为持久，因为这些区域观测最为丰富。该分词架构自然兼容异质观测平台（船舶、浮标、潮汐计和海岸站），并在单次前向传播中同时生成站点特定预测和盆地尺度格点产品。这些结果展示了一种实用的、低延迟的后处理方法，通过学习修正系统性预报误差来补充NWP。
引用
@article{arxiv.2512.03606,
title = {Observation-driven correction of numerical weather prediction for marine winds},
author = {Matteo Peduto and Qidong Yang and Jonathan Giezendanner and Devis Tuia and Sherrie Wang},
journal= {arXiv preprint arXiv:2512.03606},
year = {2025}
}