SwinVRNN：一种通过习得分布扰动的数据驱动集成预报模型
计算机视觉与模式识别
2023-03-15 v1
摘要
数据驱动的中期天气预报方法近期在集成预报方面展现出极为广阔的前景，因其相比传统数值天气预报（NWP）模型具有更快的推理速度，但其预报精度仍难以匹敌最先进的业务化 ECMWF 综合预报系统（IFS）模型。先前的数据驱动尝试使用一些简单的扰动方法（如初始条件扰动与蒙特卡洛 dropout）实现集成预报。然而，它们大多面临不理想的集成性能，这可归因于施加扰动的次优方式。我们提出一种基于 Swin Transformer 的变分循环神经网络（SwinVRNN），这是一种将 SwinRNN 预测器与扰动模块相结合的随机天气预报模型。SwinRNN 被设计为基于 Swin Transformer 的循环神经网络，可确定性地预测未来状态。此外，为建模预测中的随机性，我们遵循变分自编码器范式设计了一个扰动模块，从数据中学习时变随机隐变量的多元高斯分布。通过利用从习得分布中采样的噪声扰动模型特征，可轻松实现集成预报。我们还比较了四类用于集成预报的扰动方法，即固定分布扰动、习得分布扰动、MC dropout 与多模型集成。在 WeatherBench 数据集上的比较表明，采用我们 SwinVRNN 模型的习得分布扰动方法因两目标的联合优化而取得了更优的预报精度与合理的集成离散度。更值得注意的是，SwinVRNN 在长达五天的所有预报时效上，于 2 米温度与 6 小时累计总降水量等地面变量上超越了业务化 IFS。
引用
@article{arxiv.2205.13158,
title = {SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation},
author = {Yuan Hu and Lei Chen and Zhibin Wang and Hao Li},
journal= {arXiv preprint arXiv:2205.13158},
year = {2023}
}