[论文解读] Convolutional autoencoders for spatially-informed ensemble post-processing

Sebastian Lerch, Kai Polsterer|arXiv (Cornell University)|Apr 8, 2022

Meteorological Phenomena and Simulations被引用 5

一句话总结

本文提出使用卷积自编码器（ConvAEs）从大规模气象场中提取空间感知的潜在表征，这些表征随后被用作基于神经网络的后处理模型的额外输入，以进行2米温度预报。与仅依赖插值后的、位置特定的预测变量的最先进模型相比，该方法在德国案例研究中66%的站点实现了具有统计显著性的CRPS降低，从而提高了预报准确性。

ABSTRACT

Ensemble weather predictions typically show systematic errors that have to be corrected via post-processing. Even state-of-the-art post-processing methods based on neural networks often solely rely on location-specific predictors that require an interpolation of the physical weather model's spatial forecast fields to the target locations. However, potentially useful predictability information contained in large-scale spatial structures within the input fields is potentially lost in this interpolation step. Therefore, we propose the use of convolutional autoencoders to learn compact representations of spatial input fields which can then be used to augment location-specific information as additional inputs to post-processing models. The benefits of including this spatial information is demonstrated in a case study of 2-m temperature forecasts at surface stations in Germany.

研究动机与目标

• 解决在将NWP预报场插值到站点位置时，大型空间可预报性信息丢失的问题。
• 通过将2米温度、Z500和风场中的空间结构整合到后处理模型中，提升概率性天气预报的准确性。
• 评估ConvAE学习的空间场潜在表征是否能超越标准的位置特定预测变量，提升基于神经网络的后处理性能。
• 研究潜在表征的最优维度，以在重建质量与预报性能之间实现平衡。

提出的方法

• 在空间预报场（如T2M、Z500、U850/V850）上训练卷积自编码器（ConvAEs），以学习压缩空间信息的低维潜在表征（h维）。
• 将ConvAEs学习到的潜在编码用作深度回归网络（DRN）后处理模型的额外输入特征，该模型为每个站点预测预报分布（如高斯分布）的参数。
• 通过最小化连续 ranked probability score（CRPS）端到端训练DRN+ConvAE模型，其中每个站点的模型系数均按位置进行自适应调整。
• 将潜在表征与主成分分析（PCA）的结果进行比较，以评估基于深度学习的压缩方法是否比线性方法保留了更多有用的空间信息。
• 该模型架构支持局部自适应性，DRN通过学习到的权重，以位置特定的方式使用空间输入。
• 消融研究评估了不同输入变量（T2M、Z500、风）和潜在维度h的影响，统计显著性通过Diebold-Mariano检验进行验证。

实验结果

研究问题

• RQ1 卷积自编码器能否有效从NWP预报场中提取空间感知的表征，从而提升后处理性能？
• RQ2 与仅使用插值后站点特定预测变量的模型相比，引入ConvAE学习的空间表征是否能带来统计上显著的预报准确性提升？
• RQ3 潜在空间的维度（h）如何影响重建质量与预报性能之间的权衡？
• RQ4 与风场相比，T2M和Z500的空间表征对2米温度后处理是否更具优势？
• RQ5 DRN+ConvAE模型能否通过特征重要性分析证明其能够以局部自适应的方式有效利用空间信息？

主要发现

• 在537个德国气象站中，96%的站点，DRN+ConvAE模型在引入空间T2M输入后，平均CRPS相比基线DRN模型提升了10%。
• 统计显著性检验（Diebold-Mariano）确认，66%的性能提升在0.05显著性水平下具有统计显著性。
• 更大的潜在维度（h）虽然提升了ConvAE的重建质量，但反而降低了预报性能，表明表征保真度与模型实用性之间存在权衡。
• 来自风场（U850/V850）的空间输入导致预报性能劣于基线DRN模型，表明其可能引入噪声或无关模式。
• DRN+ConvAE模型通过补充材料中的特征重要性分析表明，其能够有效学习利用空间信息。
• 与基于PCA的空间输入相比，ConvAE表征显著提升了预报性能，表明非线性压缩能捕捉到更多相关空间结构。