STAS：自适应选择时空深度特征以改进降水偏差校正
机器学习
2020-04-14 v1 机器学习
摘要
数值天气预报（NWP）可通过及时预测灾害性降水减少人类苦难。世界上常用的NWP是欧洲中期天气预报中心（EC）的预报。然而，由于我们对降水机制尚未完全理解，使得EC常存在某些偏差，因此有必要通过降水偏差校正（BCoP）对EC预报进行修正。现有BCoP受限于先验数据不足与固定的时空（ST）尺度。我们因而提出一种端到端深度学习BCoP模型，称为时空特征自动选择（STAS）模型，通过ST特征选择机制（SFM/TFM）从EC中选取最优ST规律。针对不同输入特征，这两种机制可自动调整空间与时间尺度以进行校正。在EC公开数据集上的实验表明，与8种已发表BCoP方法相比，STAS在若干BCoP准则（即威胁分数（TS））上展现出最先进性能。进一步的消融研究证实，SFM/TFM确实能有效提升BCoP性能，尤其在强降水上。
引用
@article{arxiv.2004.05793,
title = {STAS: Adaptive Selecting Spatio-Temporal Deep Features for Improving Bias Correction on Precipitation},
author = {Yiqun Liu and Shouzhen Chen and Lei Chen and Hai Chu and Xiaoyang Xu and Junping Zhang and Leiming Ma},
journal= {arXiv preprint arXiv:2004.05793},
year = {2020}
}