机构名称：
¥ 1.0
模仿传统数值天气预测（NWP）模型并源自全球大气重新分析数据的现代深度学习技术在几年内引起了一场巨大的革命。在这个新的范式中，我们的研究引入了一种新型策略，该策略偏离了对高分辨率数据的共同依赖性，该数据通常受到计算资源的限制，而是利用了全球天气预测和气候数据分析的低分辨率数据（2.5度）。我们的主要重点是评估数据驱动的天气预测（DDWP）框架 - 专门针对样本量的充分性，模型的结构改进以及气候数据代表当前气候趋势的能力。通过使用FourcastNet使用自适应傅里叶神经操作员（AFNO）模型，并提出了一种时间平滑的方法来夸大ECMWF重新分析V5的数据集（ERA5），本文通过添加更多变量和新颖的方法来增强数据和处理方法来改善传统方法。我们的发现表明，尽管分辨率较低，但提出的方法在预测大气条件方面表现出了相当准确的准确性，从而有效地与高分辨率模型抗衡。此外，该研究证实了该模型在反映当前气候趋势及其在预测未来气候事件方面的潜力，强调其在气候变化策略中的效用。这项研究标志着气象预测领域的关键步骤，展示了低分辨率数据在产生可靠的预测和开放途径方面的可行性，以实现更容易获得和包容性的气候建模。这项研究收集的见解不仅有助于气候科学的发展，而且为该领域的未来创新奠定了基础。
推进数据驱动的天气预报：时间滑动...
主要关键词
相关文件推荐
