Leadsee-Precip: A Deep Learning Diagnostic Model for Precipitation

要約

最近、ディープラーニング天気予報モデルは、気象変数の精度の点で従来の数値モデルを上回りました。
しかし、降水量の予測、特に大雨の場合には、改善の可能性がかなりあります。
この欠陥に対処するために、気象循環場から降水量を生成するグローバル深層学習モデルである Leadsee-Precip を提案します。
このモデルは、情報バランス スキームを利用して、降水量データのロングテール分布によって引き起こされる豪雨を予測するという課題に取り組みます。
さらに、より正確な衛星およびレーダーベースの降水量検索が訓練目標として使用されます。
人工知能による全球気象モデルと比較して、Leadsee-Precip からの豪雨は観測値とより一致しており、全球数値気象予測モデルに対して競合するパフォーマンスを示しています。
Leadsee-Precip は、あらゆる地球循環モデルと統合して、降水量予測を生成できます。
しかし、予測された循環フィールドと真実の循環フィールドの間の偏差により、降水量予測が弱まる可能性があり、これは、予測された循環フィールドに基づいてさらに微調整することで緩和される可能性があります。

要約(オリジナル)

Recently, deep-learning weather forecasting models have surpassed traditional numerical models in terms of the accuracy of meteorological variables. However, there is considerable potential for improvements in precipitation forecasts, especially for heavy precipitation events. To address this deficiency, we propose Leadsee-Precip, a global deep learning model to generate precipitation from meteorological circulation fields. The model utilizes an information balance scheme to tackle the challenges of predicting heavy precipitation caused by the long-tail distribution of precipitation data. Additionally, more accurate satellite and radar-based precipitation retrievals are used as training targets. Compared to artificial intelligence global weather models, the heavy precipitation from Leadsee-Precip is more consistent with observations and shows competitive performance against global numerical weather prediction models. Leadsee-Precip can be integrated with any global circulation model to generate precipitation forecasts. But the deviations between the predicted and the ground-truth circulation fields may lead to a weakened precipitation forecast, which could potentially be mitigated by further fine-tuning based on the predicted circulation fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google