Новая статья о нейросетевой коррекции смещений в арктических прогнозах погоды
Сотрудники лаборатории опубликовали новую статью в Quarterly Journal of the Royal Meteorological Society, посвященную нейросетевой коррекции смещений в высокоразрешающих атмосферных прогнозах.
Статья “Neural network atmospheric bias correction on heterogeneous data with fine-scale dynamics preservation” подготовлена Виктором Голиковым, Михаилом Криницким, Александром Гавриковым, Евгением Бурнаевым и Владимиром Вановским.
Работа рассматривает практическую проблему численного прогноза погоды: региональные модели высокого разрешения способны описывать мезомасштабные атмосферные структуры, но при этом содержат систематические ошибки. Статистическая коррекция смещений позволяет уменьшить эти ошибки, однако простая подгонка к более грубым или разреженным опорным данным может сглаживать мелкомасштабную динамику, ради которой используются высокоразрешающие прогнозы.
Авторы предлагают нейросетевой метод коррекции, который повышает точность прогноза и одновременно сохраняет мелкомасштабные атмосферные структуры. Модель сочетает архитектуру U-net с Transformer-вниманием в латентном пространстве и обучается на разнородных источниках данных, включая реанализ ERA5, наблюдения метеостанций и скаттерометрические измерения над Карским и Баренцевым морями.
Согласно статье, метод достигает точности, сопоставимой с современными нейросетевыми подходами к коррекции, и при этом лучше сохраняет мезомасштабную динамику по перцептуальным и спектральным метрикам. Наиболее заметные улучшения наблюдаются в сезон морского льда, что делает подход актуальным для оперативного прогнозирования в Арктике, а также для связанных морских и ледовых приложений.
Михаил Криницкий
Заведующий лабораторией
Current research interests are machine learning and deep learning of various flavours applied in Earth Sciences started with observational applications, now shifted to generic data mining and natural processes modeling. The main applications are in Atmospheric sciences, including remote sensing, and also in Ocean sciences. There are also some applications in geochemistry and paleoreconstruction applications. Lecturing masters courses “Machine learning for Earth Sciences” and “Deep learning for Earth Sciences,” a.k.a. ML4ES and DL4ES (Rus.) in Moscow Institute of Physics and Technology and in Lomonosov Moscow State University.