Neural network atmospheric bias correction on heterogeneous data with fine-scale dynamics preservation

Аннотация

Высокоразрешающие региональные модели численного прогноза погоды необходимы для описания атмосферной динамики, включая важные мезомасштабные погодные явления, однако они часто содержат систематические смещения, связанные с ошибками начальных условий, параметризаций и численного интегрирования. Один из способов уменьшить такие ошибки — статистическая коррекция смещений, которая приближает выходные данные модели к опорным наборам данных. При этом такие методы часто используют наблюдения, которые могут быть разреженными во времени и пространстве или иметь сравнительно грубое разрешение. Простая подгонка высокоразрешающего прогноза к таким данным может привести к потере важных мелкомасштабных структур исходного прогноза. В этой работе предложен метод статистической коррекции, который повышает точность атмосферного прогноза и одновременно сохраняет мелкомасштабную динамику исходных полей. Авторы вводят новый член функции потерь, минимизирующий различия между мелкомасштабными признаками исходного и скорректированного прогнозов. Сверточная U-net с Transformer-блоком в латентном пространстве обучается на данных реанализа ERA5, наблюдениях метеостанций и скаттерометрических измерениях над Карским и Баренцевым морями. Предложенная модель BERTUnet достигает качества, сопоставимого с современными нейросетевыми методами, и показывает лучшие результаты по перцептуальным метрикам, описывающим мезомасштабную динамику. Метод демонстрирует сезонно-зависимое качество, причем наибольшие улучшения наблюдаются в сезон морского льда. Добавление отдельных источников наблюдений при обучении приводит к устойчивому снижению ошибок при проверке на соответствующих данных. Подход применим в оперативном прогнозировании погоды.