机构名称：
¥ 3.0
动态降尺度通常涉及使用数值天气前词（NWP）求解器将粗数据完善到更高的空间分辨率。数据驱动的模型（例如Fourcastnet）已成为传统NWP模型的预测模型。一旦训练了这些模型，它们就可以在几秒钟内提供预测，而与经典的NWP模型相比，它们要快数千倍。然而，作为交货时间，因此，它们的预测窗口增加，这些模型显示出不稳定的不稳定，因为它们倾向于与现实不同。在本文中，我们建议使用数据同化方法来稳定它们进行缩小任务。数据同化使用来自三种不同来源的信息，即基于部分微分方程（PDE），嘈杂的观察值以及不确定性反射的不完美计算模型。在这项工作中，在进行动态缩小尺度时，我们将用“弱约束的4DVAR框架”中的FourcastNet替换了基于PDE的NWP模型，该模型解释了隐含模型错误。我们证明了这种方法对飓风追踪问题的功效；此外，4DVAR框架自然可以表达和量化不确定性。我们使用ERE5数据证明了我们的方法的性能优于集合卡尔曼过滤器（ENKF）和未稳定的四castnet模型，这是根据预测准确性和预测不确定性的。
4m 2025年3月
主要关键词
相关文件推荐
