基于观测引导的气象场缩尺度:基准和新方法
提出了一种结合元学习的统一降尺度方法,旨在便捷降尺度不同气象变量,在不同时空尺度下。实验证据表明,该方法在定量和定性评估方面优于现有的顶层降尺度方法。
Apr, 2024
数据同化对于天气预报模型的初始化至关重要。最近,提出了深度生成数据同化的方法,可以在不重新训练模型的情况下使用新的输入数据,从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中,我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后,利用基于得分的数据同化方法将稀疏的气象站数据融合进模型,模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构,如阵风,敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明,这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据,对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性,如集合数据同化估计欠精确,但总体上结果令人鼓舞,并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候,可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。
Jun, 2024
通过在 climate science 和 meteorology 领域中,利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化,本研究通过扩展最近的视频扩散模型,结合光流和时间条件扩散模型,成功实现了高分辨率降水模式的预测。
Dec, 2023
物理风险预测的最新技术需要进行昂贵的千米级数值模拟,而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法,该模型是从台湾的区域高分辨率天气模型经 ERA5 再分析数据训练而来。通过一个两步方法( extit {ResDiff}), extit {ResDiff} 在块状 RMSE 和 CRPS 评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例,显示了类似于学到的物理学的适当多变量关系,包括与冷锋中的强降雨相伴的尖锐风和温度变化,以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。
Sep, 2023
本文针对机器学习在全球气候模型统计降尺度中的应用进行研究,将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析,结果表明直接应用最新的机器学习方法不能优于较简单的传统方法,文中特别关注了美国东北部地区的每日降水量,结果对每种方法的能力进行了评估。
Feb, 2017
本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构,以匹配高分辨率雷达测量数据。结果表明,该模型可以匹配现有的最佳降尺度方法,而且在像素、空间和统计数据上表现优异。
Apr, 2022
气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架,用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型,并对观测和地球系统模型数据进行映射,我们的方法能够纠正任何地球系统模型的地理要素,确保了统计质量并保留了大尺度空间模式。
Apr, 2024
使用一种高效准确的一次训练模型,通过机器学习来降低任意地球系统模型的计算复杂度,同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。
Mar, 2024