Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts

要約

人工知能（AI）気象予測（AIWP）モデルは、しばしば霧雨を過大評価し、極端を過小評価する「ぼやけ」の降水量予測を生成します。
この研究は、この問題に取り組むための新しいソリューションを提供します。つまり、地形の適合座標とグローバルな質量および省エネスキームをAIWPモデルに統合します。
予測実験は、1.0度グリッド間隔データに適合したAIWPモデルの例であるFuxiを使用して、このソリューションの有効性を評価するために実施されます。
検証結果は、パフォーマンスの大幅な向上を示しています。
保全スキームは霧雨のバイアスを減らすことがわかっていますが、地形にフォローする座標を使用すると、極端なイベントと降水強度スペクトルの推定が向上します。
さらに、ケーススタディでは、地形に転向する座標が山よりも地表近くの風をよりよく捉え、AIWPモデルが降水プロセスのダイナミクスを理解するためのより正確な情報を提供することが明らかになりました。
この研究の提案されたソリューションは、幅広いAIWPモデルに利益をもたらし、大気のドメイン知識がAIWPモデルの開発をどのようにサポートできるかについての洞察をもたらすことができます。

要約(オリジナル)

Artificial Intelligence (AI) weather prediction (AIWP) models often produce ‘blurry’ precipitation forecasts that overestimate drizzle and underestimate extremes. This study provides a novel solution to tackle this problem — integrating terrain-following coordinates with global mass and energy conservation schemes into AIWP models. Forecast experiments are conducted to evaluate the effectiveness of this solution using FuXi, an example AIWP model, adapted to 1.0-degree grid spacing data. Verification results show large performance gains. The conservation schemes are found to reduce drizzle bias, whereas using terrain-following coordinates improves the estimation of extreme events and precipitation intensity spectra. Furthermore, a case study reveals that terrain-following coordinates capture near-surface winds better over mountains, offering AIWP models more accurate information on understanding the dynamics of precipitation processes. The proposed solution of this study can benefit a wide range of AIWP models and bring insights into how atmospheric domain knowledge can support the development of AIWP models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google