Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method

要約

気象変数のダウンスケーリング (DS) には、低解像度の気象フィールドから高解像度の状態を取得することが含まれており、天気予報における重要なタスクです。
深層学習に基づくこれまでの手法は、ダウンスケーリングをコンピューター ビジョンの超解像度タスクとして扱い、高解像度のグリッド気象場を監視として利用して、特定のグリッド スケールでの解像度を向上させていました。
しかし、このアプローチは気象場の連続分布特性と一致させるのに苦労しており、縮小された結果と気象観測所での実際の観測値の間に固有の体系的な偏りが生じています。
この論文では、気象ダウンスケーリングを任意の散在観測点スケールまで拡張し、まったく新しいベンチマークとデータセットを確立し、粗解像度の気象フィールドから任意の観測点位置の気象状態を取得します。
データ同化技術にヒントを得て、観測データをダウンスケーリング プロセスに統合し、マルチスケールの観測事前分布を提供します。
この基盤に基づいて、我々はハイパーネットワークアーキテクチャに基づく新しいダウンスケーリングモデル、つまりHyperDSを提案します。これは、さまざまな観測情報をモデルトレーニングに効率的に統合し、気象分野の連続スケールモデリングを実現します。
広範な実験を通じて、私たちが提案した方法は、複数の表面変数に関して特別に設計された他のベースライン モデルよりも優れた性能を発揮します。
特に、風速と表面圧力の平均二乗誤差 (MSE) は、他の方法と比較して 67% と 19.5% 改善されました。
その後、データセットとコードをリリースする予定です。

要約(オリジナル)

Downscaling (DS) of meteorological variables involves obtaining high-resolution states from low-resolution meteorological fields and is an important task in weather forecasting. Previous methods based on deep learning treat downscaling as a super-resolution task in computer vision and utilize high-resolution gridded meteorological fields as supervision to improve resolution at specific grid scales. However, this approach has struggled to align with the continuous distribution characteristics of meteorological fields, leading to an inherent systematic bias between the downscaled results and the actual observations at meteorological stations. In this paper, we extend meteorological downscaling to arbitrary scattered station scales, establish a brand new benchmark and dataset, and retrieve meteorological states at any given station location from a coarse-resolution meteorological field. Inspired by data assimilation techniques, we integrate observational data into the downscaling process, providing multi-scale observational priors. Building on this foundation, we propose a new downscaling model based on hypernetwork architecture, namely HyperDS, which efficiently integrates different observational information into the model training, achieving continuous scale modeling of the meteorological field. Through extensive experiments, our proposed method outperforms other specially designed baseline models on multiple surface variables. Notably, the mean squared error (MSE) for wind speed and surface pressure improved by 67% and 19.5% compared to other methods. We will release the dataset and code subsequently.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google