物理信息生成神经网络：在对流层温度预测中的应用
机器学习
2021-07-16 v1 大气与海洋物理
摘要
对流层是大多数天气现象发生的大气层之一。对流层中的温度变化，尤其是中层对流层典型层次 500 hPa 处的温度变化，是未来天气变化的重要指示。数值天气预测对温度预测有效，但其计算复杂性阻碍了及时响应。本文在物理信息深度学习框架下提出一种新颖的温度预测方法。所提新模型称为 PGnet，构建于带掩码矩阵的生成神经网络之上。该掩码用于区分由第一物理阶段生成的低质量预测区域。生成神经网络以该掩码作为先验进行第二阶段的精细化预测。为训练该生成神经网络而不在时间序列预测中累积误差，设计了掩码损失与跳跃模式策略。在 ERA5 上的实验表明，PGnet 能生成比当前最优（SOTA）更精细的温度预测。
引用
@article{arxiv.2107.06991,
title = {Physics-informed generative neural network: an application to troposphere temperature prediction},
author = {Zhihao Chen and Jie Gao and Weikai Wang and Zheng Yan},
journal= {arXiv preprint arXiv:2107.06991},
year = {2021}
}