跳到主要内容
检索

# 机器学习天气预报

2 篇关联报道

订阅更新
  1. arXiv

    GraphCast只负责演化集合扰动：一个月真实观测循环中，背景误差不输物理模式

    把机器学习天气预报模型GraphCast放进真实资料同化循环，只让它演化集合扰动、均值仍由物理模式MPAS给出，一个月内集合离散度与协方差结构和纯物理模式基准相当，EnVar背景对GFS分析的RMSE在模式层40以下持续更低，模式顶附近则因插值外推出现退化。

    Simon Toedtli（第一作者）
    GraphCast数据同化协方差估计机器学习天气预报
  2. arXiv

    SoftSEEPS 将 SEEPS 评分松弛为可微损失，使降水模型直接优化干/小雨/大雨分类，SEEPS 最多下降约 0.1 而 RMSE 无明显代价

    作者提出 SoftSEEPS——用 sigmoid 松弛 SEEPS 的干/小雨/大雨硬分类，使其可微并可直接作为训练损失；在 IMERG 日降水上训练一个冻结 ArchesWeather-M 骨干的卷积解码器，验证离散 SEEPS 从仅 MSE 的 0.481 降至仅 SoftSEEPS 的 0.375，联合目标为 0.381 而 RMSE 仅从 5.316 微升至 5.334。

    Jost Arndt（第一作者）
    SoftSEEPS 可微SEEPS损失IMERGDecoder 降水解码器降水预报SEEPS 降水评分机器学习天气预报

已读完全部报道