AI专刊|通过融合物理模型改善深度学习土壤湿度预报模型性能
内容来源于：大气科学进展AASCite this article:
Li, L., Y. J. Dai, Z. W. Wei, W. Shangguan, N. Wei, Y. G. Zhang, Q. L. Li, and X. X. Li, 2023: Enhancing Deep Learning Soil Moisture Forecasting Models with integrating Physical-based Models. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-023-3181-8
Download:
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-023-3181-8
AI专刊 预出版|通过融合物理模型改善深度学习土壤湿度预报模型性能
准确的土壤湿度预测至关重要。由于对地表过程表征不准确等原因，基于物理模型的土壤湿度预测表现出较大的不确定性。尽管近期深度学习模型被广泛应用于土壤湿度预测，但由于缺乏物理信息，在中期预报中很少有深度学习模型能够提供令人满意的效果。本文开发了混合预报模型，能有效地将物理模型的预报信息融合到深度学习模型中，从而改进土壤湿度预测。首先，基于注意力机制，在不同的时空尺度上充分融合深度学习和物理模型各自的优势；进一步结合不同混合方案的优势，构建了集合的混合预报模型。为验证所提出的模型，作者在中国区域内将 GFS 的土壤湿度预报融合入ConvLSTM模型，进行 1-16 天的土壤湿度预测。结果表明，本文所提出的混合预报模型在不同的预报时间尺度、不同土壤条件以及干旱极端事件预报中均为最优模型。本文提出的混合模式可以有效改进中期土壤湿度的预报，并能为利用物理模型信息改进深度学习预报提供可靠的范例。
关键词：土壤湿度预报，混合模型，深度学习，注意力机制，卷积长短期记忆模型
图1 物理模型（GFS），深度学习模型（ConvLSTM），前人提出的混合模型（average，condition）以及本文提出的混合模型（attention，ensemble）在1，7，16天的预报性能。创新点本文基于注意力机制以及集合预报的方式，提出了一种混合预报模型，可以有效的将物理模式预报融合入深度学习土壤湿度预报模型。较未考虑物理特征的模型，该模型在不同的预报时间尺度（1-16天），不同的土壤条件以及干旱预报中均有明显提升。
页:
[1]