- Новая парадигма среднесрочных прогнозов суровой погоды: вероятностные случайные прогнозы на основе леса(arXiv)
Автор: Аарон Дж. Хилл, Расс С. Шумахер, Исраэль Джирак
Аннотация. Исторические наблюдения за суровой погодой и смоделированные суровые погодные условия (т. е. характеристики) из набора данных перепрогнозирования Глобальной системы ансамблевого прогнозирования версии 12 (GEFSv12) (GEFS/R) используются в сочетании для обучения и тестирования случайных лесные (RF) модели машинного обучения (ML) для вероятностного прогнозирования суровой погоды на 4–8 дней. RF обучены 9 годам GEFS/R и отчетам о суровой погоде для установления статистических взаимосвязей. Кратко рассматривается инженерия признаков, чтобы изучить альтернативные методы сбора признаков вокруг наблюдаемых событий, включая упрощение признаков с использованием пространственного усреднения и увеличение размера ансамбля GEFS/R с временной задержкой. Проверенные радиочастотные модели тестируются с использованием прогнозов в реальном времени в течение примерно 1,5 лет из оперативного ансамбля GEFSv12 и оцениваются вместе с экспертными прогнозами, созданными человеком из Центра прогнозирования штормов (SPC). Как прогнозы на основе РЧ, так и прогнозы SPC эффективны с точки зрения климатологии на 4-й и 5-й дни, а затем снижаются. Прогнозы на основе РЧ проявляют тенденцию к недооценке суровых погодных явлений, но они, как правило, хорошо калибруются при более низких пороговых значениях вероятности. Пространственное усреднение предикторов во время обучения RF позволяет термодинамическим и кинематическим средам предыдущего дня генерировать точные прогнозы, в то время как отставание по времени расширяет области прогноза, повышая разрешение, но снижая объективные навыки. Результаты подчеркивают полезность продуктов, созданных на основе машинного обучения, для помощи прогнозам SPC в среднем диапазоне.
2.Новая сеть-трансформер со смещенным окном перекрестного внимания для пространственно-временного прогнозирования погоды(arXiv)
Автор:Алаби Боджесомо, Хасан Аль Марзуки, Панос Лиацис
Вывод:обсерватория Земли — это растущая область исследований, которая может извлечь выгоду из возможностей ИИ для краткосрочного прогнозирования, сценария «сейчас». В этой работе мы решаем задачу прогнозирования погоды с использованием сети видеотрансформатора. Архитектуры преобразования зрения были исследованы в различных приложениях, основными ограничениями которых были вычислительная сложность Attention и обучение, требующее больших объемов данных. Для решения этих проблем мы предлагаем использовать Video Swin-Transformer в сочетании со специальной схемой расширения. Кроме того, мы используем постепенное пространственное сокращение на стороне кодировщика и перекрестное внимание на стороне декодера. Предлагаемый подход тестируется на данных задачи прогнозирования погоды Weather4Cast2021, которая требует прогнозирования будущих кадров на 8 часов вперед (4 в час) из почасовой последовательности продуктов погоды. Набор данных был нормализован до 0–1, чтобы облегчить использование показателей оценки в разных наборах данных. Модель дает оценку MSE 0,4750 при наличии обучающих данных и 0,4420 при переносе обучения без использования обучающих данных соответственно.
