使用捷径循环卷积网络进行时空天气数据预测：Weather4cast 挑战赛的解决方案
机器学习
2021-11-12 v1 大气与海洋物理
摘要
本文介绍了作者在 Weather4cast 2021 挑战赛第一阶段中使用的神经网络模型，其目标是预测基于卫星的天气数据图像的时间演变。该网络基于编码器-预测器架构，利用门控循环单元 (GRU)、残差块以及类似于 U-Net 的带有捷径的收缩/扩展架构。本文还引入了一种利用残差块代替卷积的 GRU 变体。文中展示了模型的示例预测和评估指标。这些结果表明，模型在初始预测中能够保留输入的清晰特征，而后续预测则变得更加模糊，以反映不断增加的不确定性。
引用
@article{arxiv.2111.02121,
title = {Spatiotemporal Weather Data Predictions with Shortcut Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge},
author = {Jussi Leinonen},
journal= {arXiv preprint arXiv:2111.02121},
year = {2021}
}
备注
6 pages, 5 figures. To be published in the proceedings of the 1st workshop on Complex Data Challenges in Earth Observation (CDCEO) 2021. Associated code can be found at https://github.com/jleinonen/weather4cast-stage1