WeatherGNN：利用气象与空间依赖关系进行局地数值天气预报偏差校正
机器学习
2024-06-12 v2
摘要
由于局地信息不足，数值天气预报（NWP）在特定区域可能产生偏差。以往研究主要通过手工特征或直观应用数据驱动方法来校正偏差，忽视了气象因子之间及区域之间复杂的依赖关系。为解决此问题，我们提出 WeatherGNN，一种利用图神经网络（GNNs）在领域知识指导下挖掘气象依赖与空间依赖的局地 NWP 偏差校正方法。具体而言，我们引入因子 GNN 以基于空间异质性自适应捕获区域特定的气象依赖，以及快速层次化 GNN 以在托布勒第一、第二地理定律的高效引导下捕获动态空间依赖。我们在两个真实数据集上的实验结果表明，WeatherGNN 取得了最先进的性能，在 RMSE 上平均优于最佳基线 4.75%。
引用
@article{arxiv.2310.05517,
title = {WeatherGNN: Exploiting Meteo- and Spatial-Dependencies for Local Numerical Weather Prediction Bias-Correction},
author = {Binqing Wu and Weiqi Chen and Wengwei Wang and Bingqing Peng and Liang Sun and Ling Chen},
journal= {arXiv preprint arXiv:2310.05517},
year = {2024}
}
备注
IJCAI 2024