PostRainBench:一种用于降水预报的综合基准与新模型
机器学习
2024-10-14 v3 计算机视觉与模式识别
摘要
准确的降水预报是一项具有重大社会意义的关键挑战。尽管数据驱动方法已成为广泛使用的解决方案,但仅依赖数据驱动方法在建模底层物理方面存在局限,难以做出准确预测。我们聚焦于基于数值天气预报(NWP)后处理的降水预报任务,以将机器学习技术与传统 NWP 相结合。由于降水数据的不平衡性以及多个气象变量之间的复杂关系,该任务仍然具有挑战性。为应对这些局限,我们引入了 \textbf{PostRainBench}(一个综合的多变量 NWP 后处理基准)以及 \textbf{CAMT}(一种简洁而有效的通道注意力增强多任务学习框架,带有专门设计的加权损失函数)。在所提基准上的大量实验结果表明,我们的方法在降雨 CSI 上分别比最先进方法高出 6.3%、4.7% 和 26.8%,并在暴雨 CSI 上相较 NWP 预测分别提升 15.6%、17.4% 和 31.8%。最值得注意的是,我们的模型是首个在暴雨条件下超越 NWP 方法的基于深度学习的方法。这些结果凸显了我们的模型在减轻极端降雨事件严重后果方面的潜在影响。我们的数据集与代码发布于 https://github.com/yyyujintang/PostRainBench。
引用
@article{arxiv.2310.02676,
title = {PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting},
author = {Yujin Tang and Jiaming Zhou and Xiang Pan and Zeying Gong and Junwei Liang},
journal= {arXiv preprint arXiv:2310.02676},
year = {2024}
}
备注
16 pages, 6 figures, ICLR24 Tackling Climate Change with Machine Learning Workshop