Corrección de Errores de Aprendizaje Profundo de Cuadrícula a Punto para las Predicciones Meteorológicas Superficiales de un Sistema de Predicción Numérica del Tiempo de Escala Fina
Autores: Qin, Yu; Liu, Yubao; Jiang, Xinyu; Yang, Li; Xu, Haixiang; Shi, Yueqin; Huo, Zhaoyang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Corrección de Errores de Aprendizaje Profundo de Cuadrícula a Punto para las Predicciones Meteorológicas Superficiales de un Sistema de Predicción Numérica del Tiempo de Escala Fina
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Pronósticos
Corrección de errores de salida del modelo
Características espaciales
Pronósticos multistación
Modelo PRUFS
G2N
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Las previsiones de los modelos numéricos de predicción del tiempo contienen inevitablemente errores, y es una práctica común procesar posteriormente la salida del modelo y corregir el error para el uso adecuado de las previsiones. Este estudio desarrolla un esquema de corrección de errores de salida del modelo de cuadrícula a multipunto (G2N) que extrae características espaciales del modelo y corrige simultáneamente las previsiones multistación. El modelo fue probado para un sistema de modelo operativo de alta resolución, el sistema de previsión de actualización rápida de precisión (PRUFS), que opera para el este de China a intervalos de cuadrícula de 3 km. Las variables estudiadas incluyen la temperatura a 2 m, la humedad relativa a 2 m y la velocidad del viento a 10 m en 311 estaciones meteorológicas estándar basadas en tierra. El conjunto de datos para entrenar G2N es un año de salidas históricas del modelo PRUFS y las observaciones de superficie del mismo período, y la evaluación del rendimiento de G2N se basa en la salida de dos meses de G2N en tiempo real. La verificación de los resultados en tiempo real muestra que G2N redujo los RMSE de los errores de previsión de temperatura a 2 m, humedad relativa a 2 m y velocidad del viento a 10 m del modelo PRUFS en un 19%, 24% y 42%, respectivamente. El análisis de sensibilidad revela que aumentar el número de estaciones objetivo para la corrección simultánea ayuda a mejorar el rendimiento del modelo y reduce el costo computacional, indicando también que mejorar la función de pérdida con la estructura meteorológica regional espacial es útil. Por otro lado, seleccionar adecuadamente el tamaño de las áreas de cuadrícula influyentes de la entrada del modelo también es importante para que G2N incorpore suficientes características espaciales de las previsiones del modelo, pero sin incluir la información de las cuadrículas alejadas de las áreas de corrección. G2N es una herramienta altamente eficiente y efectiva que se puede implementar fácilmente para modelos NWP regionales en tiempo real.
Descripción
Las previsiones de los modelos numéricos de predicción del tiempo contienen inevitablemente errores, y es una práctica común procesar posteriormente la salida del modelo y corregir el error para el uso adecuado de las previsiones. Este estudio desarrolla un esquema de corrección de errores de salida del modelo de cuadrícula a multipunto (G2N) que extrae características espaciales del modelo y corrige simultáneamente las previsiones multistación. El modelo fue probado para un sistema de modelo operativo de alta resolución, el sistema de previsión de actualización rápida de precisión (PRUFS), que opera para el este de China a intervalos de cuadrícula de 3 km. Las variables estudiadas incluyen la temperatura a 2 m, la humedad relativa a 2 m y la velocidad del viento a 10 m en 311 estaciones meteorológicas estándar basadas en tierra. El conjunto de datos para entrenar G2N es un año de salidas históricas del modelo PRUFS y las observaciones de superficie del mismo período, y la evaluación del rendimiento de G2N se basa en la salida de dos meses de G2N en tiempo real. La verificación de los resultados en tiempo real muestra que G2N redujo los RMSE de los errores de previsión de temperatura a 2 m, humedad relativa a 2 m y velocidad del viento a 10 m del modelo PRUFS en un 19%, 24% y 42%, respectivamente. El análisis de sensibilidad revela que aumentar el número de estaciones objetivo para la corrección simultánea ayuda a mejorar el rendimiento del modelo y reduce el costo computacional, indicando también que mejorar la función de pérdida con la estructura meteorológica regional espacial es útil. Por otro lado, seleccionar adecuadamente el tamaño de las áreas de cuadrícula influyentes de la entrada del modelo también es importante para que G2N incorpore suficientes características espaciales de las previsiones del modelo, pero sin incluir la información de las cuadrículas alejadas de las áreas de corrección. G2N es una herramienta altamente eficiente y efectiva que se puede implementar fácilmente para modelos NWP regionales en tiempo real.