机构名称：
¥ 1.0
准确的降水预测是社会重要性的重要挑战。尽管数据驱动的方法已成为一种广泛使用的解决方案，但仅依靠数据驱动的方法在建模基础物理学方面存在局限性，从而使准确的预测变得困难。我们专注于基于数值的天气预测（NWP）基于后加工的降水预测任务，将机器学习技术与传统NWP息息。由于降水数据不平衡和多个气象变量之间的复杂关系，此任务仍然具有挑战性。为了解决这些局限性，我们会引入Poststrainbench，这是一种全面的多变量NWP后处理基准和CAMT，CAMT是一种简单而有效的渠道注意力，增强了具有特殊设计的加权损失功能的多任务学习框架。对拟议的基准的广泛实验结果表明，我们的方法在雨水CSI中的最先进方法胜过6.3％，4.7％和26.8％，改善了15.6％，17.4％，17.4％和31.8％的NWP预测，而NWP高于NWP，而NWP则在各个数据集中的CSI中的NWP预测高于NWP。最值得注意的是，我们的模型是在大雨条件下胜过NWP方法的第一种深度学习方法。这些结果突出了我们模型在减少极端降雨事件的严重后果方面的潜在影响。我们的数据集和代码可在https://github.com/yyyujintang/postrainbench上找到。
postrainbench：综合基准
主要关键词
相关文件推荐
