面向噪声与分布不均的降水偏差校正器
机器学习
2019-10-18 v1 机器学习
摘要
数值降水预测在航空管理和城市灾害预警等多种公共服务中有着广泛应用，在天气预报中起着至关重要的作用。然而，受限于观测和传统气象模型的局限性，数值降水预测往往存在较大偏差。为校正这种偏差，经典的校正方法高度依赖于在空气动力学、热力学和气象学方面具有深厚知识的专家。然而，由于降水可能受到无数因素的影响，当某些未建模的因素发生变化时，这些专家驱动方法的性能可能会急剧下降。为解决这一问题，本文提出了一种数据驱动的深度学习模型，该模型主要包括两个模块，即去噪自编码器模块和序数回归模块。据我们所知，这是首个无需专家的偏差校正模型。所提出的模型能够基于来自欧洲中期天气预报中心（ECMWF）的 37 项基础气象数据，有效校正数值降水预测。实验表明，与几种经典的机器学习算法和深度学习模型相比，我们的方法取得了最佳的校正性能和气象学指标，即 TS 评分，并获得了令人满意的可视化效果。
引用
@article{arxiv.1910.07633,
title = {Towards a Precipitation Bias Corrector against Noise and Maldistribution},
author = {Xiaoyang Xu and Yiqun Liu and Hanqing Chao and Youcheng Luo and Hai Chu and Lei Chen and Junping Zhang and Leiming Ma},
journal= {arXiv preprint arXiv:1910.07633},
year = {2019}
}