AI专刊 | 用于校准集合天气预报的非交叉分位数回归神经网络
文章来源于：大气科学进展AASCite this article:
Song M. M., D. Z. Yang, S. Lerch, X. A. Xia, G. M. Yagli, J. M. Bright, Y. B. Shen, B. Liu, X. L. Liu, and M. J. Mayer, 2024: Non-crossing quantile regression neural network as a calibration tool for ensemble weather forecasts. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-023-3184-5
Download:
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-023-3184-5
AI专刊 | 预出版
用于校准集合天气预报的非交叉分位数回归神经网络
尽管集合数值天气预报已趋于成熟，但其发布的预报仍存分散不足的问题。因此，使用预报校准工具变得越来越受普遍。在这些工具中，分位数回归在灵活性和预测性能方面均具有很强的竞争力。然而，分位数回归往往伴随着分位数交叉问题，其极大限制了分位数回归校准预报的可解释性。为此，本研究提出一种无交叉分位数回归神经网络，用于将集合数值天气预报校准为一组具有可靠性且无交叉的分位数预报。所提出的无交叉分位数回归神经网络的总体设计原则是在传统的分位数神经网络结构之上额外添加一层隐藏层，该层通过一个元素为正的上三角权值矩阵在最后一层隐藏层与输出层的节点之间施加非递减映射。本文以太阳辐照度为例，采用所提出的无交叉分位数回归神经网络对欧洲中期天气预报中心所发布的七个站点的四年集合辐照度预报进行校准，同时设置多种对比模型，包括最先进的深度学习模型以及其他无交叉模型。正式且严格的预报验证表明，相较于所有的对比模型而言，通过无交叉分位数回归神经网络后处理得到的预报在满足可靠度的同时取得最佳的锐度。此外，所提出的无交叉分位数回归方法简单且通用，具有广泛的适用性，可以与诸多浅层与深度学习神经网络相结合。
关键词：集合天气预报, 预报校准, 无交叉分位数回归神经网络, CORP可靠性图，后处理
图1 无交叉分位数回归神经网络。
创新点
本文提出一种无交叉分位数回归神经网络，并将其用于集合数值天气预报的校准，该模型不仅消除分位数回归伴随的交叉问题，还改善了集合数值天气预报分散不足的问题，在保证可靠度的基础上最大化预报的锐度。本文还使用先进的CORP可靠性图度量预报的可靠度，以集合辐照度预报校准为实例，基于充分的真实数据与对比分析获得天气预报校准方面宝贵的见解。
AAS AI专刊——提前阅读:
http://www.iapjournals.ac.cn/aas/en/virtualTopic?id=9134e796-acef-402e-8c28-dcd05c6816d3
赞
页:
[1]