- DL-Corrector-Remapper: Eine gitterfreie Deep-Studying-Methodik zur Bias-Korrektur für datengesteuerte hochauflösende globale Wettervorhersagen (arXiv)
Autor: Tao Ge, Jaideep Pathak, Akshay Subramaniam, Karthik Kashinath
Zusammenfassung: Datengesteuerte Modelle wie FourCastNet (FCN) haben bei der hochauflösenden globalen Wettervorhersage eine vorbildliche Leistung gezeigt. Diese Leistung basiert jedoch auf der Überwachung gitterförmiger Wetterdaten ohne die Nutzung roher Klimabeobachtungsdaten, dem Goldstandard der Grundwahrheit. In dieser Arbeit entwickeln wir eine Methodik zur Korrektur, Neukartierung und Feinabstimmung gerasterter einheitlicher FCN-Vorhersagen, sodass sie direkt mit der beobachteten Grundwahrheit verglichen werden können, die spärlich und räumlich und zeitlich uneinheitlich ist. Dies ähnelt der Bias-Korrektur und Nachbearbeitung der numerischen Wettervorhersage (NWP), einem Routinevorgang in Meteorologie- und Wettervorhersagezentren auf der ganzen Welt. Die Adaptive Fourier Neural Operator (AFNO)-Architektur wird als Rückgrat zum Erlernen kontinuierlicher Darstellungen der Atmosphäre verwendet. Die räumlich und zeitlich ungleichmäßige Ausgabe wird anhand der Ausgabeabfragepositionen durch die ungleichmäßige diskrete inverse Fourier-Transformation (NUIDFT) ausgewertet. Wir nennen dieses Netzwerk den Deep-Studying-Corrector-Remapper (DLCR). Die Verbesserung der Leistung des DLCR gegenüber der Goldstandard-Grundwahrheit im Vergleich zur Leistung der Basislinie zeigt sein Potenzial zur Korrektur, Neuzuordnung und Feinabstimmung der gitternetzbasierten Vorhersagen unter der Aufsicht von Beobachtungen.
2. Eine Fallstudie räumlich-zeitlicher Vorhersagetechniken für die Wettervorhersage (arXiv)
Autor: Shakir Showkat Sofi, Ivan Oseledets
Zusammenfassung: Die meisten Prozesse in der realen Welt sind raumzeitlich und die von ihnen generierten Daten weisen sowohl eine räumliche als auch eine zeitliche Entwicklung auf. Das Wetter ist einer der wichtigsten Prozesse in diesem Bereich, und seine Vorhersage ist zu einem entscheidenden Bestandteil unserer täglichen Routine geworden. Die Analyse von Wetterdaten gilt als die komplexeste und anspruchsvollste Aufgabe. Obwohl numerische Wettervorhersagemodelle derzeit auf dem neuesten Stand sind, sind sie ressourcenintensiv und zeitaufwändig. Zahlreiche Studien haben zeitreihenbasierte Modelle als praktikable Different zu numerischen Prognosen vorgeschlagen. Neuere Forschungen haben sich hauptsächlich auf die Vorhersage des Wetters an einem bestimmten Ort konzentriert. Daher können Modelle nur zeitliche Zusammenhänge erfassen. In diesem eigenständigen Artikel werden verschiedene Methoden für regionale datengesteuerte Wettervorhersagen untersucht, d. h. Vorhersagen über mehrere Breiten-Längen-Punkte zur Erfassung räumlich-zeitlicher Korrelationen. Die Ergebnisse zeigten, dass raumzeitliche Vorhersagemodelle den Rechenaufwand senkten und gleichzeitig die Genauigkeit verbesserten; Insbesondere weist das vorgeschlagene, auf Tensorzug-Dynamikmoduszerlegung basierende Prognosemodell eine vergleichbare Genauigkeit wie ConvLSTM auf, ohne dass ein Coaching erforderlich ist. Wir nutzen den meteorologischen Datensatz NASA POWER, um die Modelle auszuwerten und mit dem aktuellen Stand der Technik zu vergleichen
