TRU-NET：一种用于高分辨率降雨预测的深度学习方法
计算工程、金融与科学
2021-02-15 v2 机器学习
摘要
气候模式（CM）被用于评估气候变化对洪水和强降水事件风险的影响。然而，这些数值模拟器难以准确表征降水事件，主要由于在模拟大气中多尺度动态时空间分辨率有限。为改进高分辨率降水的预测，我们应用一种深度学习（DL）方法，以 CM 对较局部降水更具可预测性的模式场（气象变量）的模拟作为输入。为此，我们提出 TRU-NET（Temporal Recurrent U-Net），一种编码器–解码器模型，其特色在于在连续卷积–循环层之间新颖的二维交叉注意力机制，以有效建模多尺度时空天气过程。我们使用条件连续损失函数来捕捉降雨的零偏态极端事件模式。实验表明，我们的模型在 RMSE 与 MAE 分数上持续低于短期降水预测中常用的一种 DL 模型，并改进了最先进（state-of-the-art）动力气象模式的降雨预测。此外，通过在不同训练与测试数据构造策略下评估模型性能，我们表明我们的深度学习方法有充足数据以跨季节和不同区域输出鲁棒、高质量的结果。
引用
@article{arxiv.2008.09090,
title = {TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall},
author = {Rilwan Adewoyin and Peter Dueben and Peter Watson and Yulan He and Ritabrata Dutta},
journal= {arXiv preprint arXiv:2008.09090},
year = {2021}
}