用层次集合变换改进中程集合天气预报
摘要：统计后处理全球集合天气预报的研究是通过利用机器学习的最新发展进行的。利用过去的预报验证结果，学习数值天气预报的系统性缺陷以提高后处理预报的性能。本文介绍了一种基于分层变压器的后处理方法PoET。PoET具有两个主要特点：1）后处理直接应用于集合成员，而不是应用于预测分布或其功能；2）该方法在训练和推理模式中的集合成员数量可以不同。PoET的输出是一组校准的成员，与原始集合的大小相同，但可靠性更高。性能评估显示，对于2米温度和降水预报，PoET在全球范围内的技能提高了20\％，降水预报提高了2\％，并且优于简化的统计成员逐成员方法，该方法在本研究中作为竞争性基准。PoET还应用于ENS10基准数据集的集合后处理，并与其他深度学习解决方案进行对比评估，结果显示PoET在大多数参数上提供更好的结果。此外，由于每个集合成员分别进行校准，下游应用程序应直接从集合预报的后处理改进中受益。
作者：Zied Ben-Bouallegue, Jonathan A Weyn, Mariana C A Clare, Jesper Dramsch, Peter Dueben, Matthew Chantry
论文ID：2303.17195
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-08-30