基于多尺度解构 ConvLSTM 的降水预报
信号处理
2020-01-10 v2 计算机与社会
数值分析
数值分析
摘要
数值天气预报（NWP）基于复杂的大气运动方程，需借助超级计算机推断大气状态，被广泛应用于降水预报。由于任务复杂且计算量大，该方法存在效率低、不经济的问题。随着气象技术的快速发展，丰富的数值气象数据收集为开发数据驱动的 NMP 任务模型提供了机遇。本文考虑将 NWP 与深度学习结合。首先，为改进气象要素的时空建模，组合解构机制与多尺度滤波器，提出多尺度解构 ConvLSTM（MSD-ConvLSTM）。MSD-ConvLSTM 以低参数消耗通过多尺度滤波器捕获并融合上下文信息。此外，构建编码器-解码器，利用深度 CNN 编码多气象要素特征，并通过 MSD-ConvLSTM 解码来自不同要素的时空信息。我们的方法表明数据驱动方式对天气预报具有重要意义，这可从欧洲中心天气预报（EC）与中国气象预报（CM）数据集上降水预报的实验结果得到证实。
引用
@article{arxiv.1912.09425,
title = {Precipitation Forecasting via Multi-Scale Deconstructed ConvLSTM},
author = {Xinyu Xiao and Qiuming Kuang and Shiming Xiang and Junnan Hu and Chunhong Pan},
journal= {arXiv preprint arXiv:1912.09425},
year = {2020}
}