[论文解读] A Deep Convolutional Neural Network Model for improving WRF Forecasts

Alqamah Sayeed, Yunsoo Choi+4 more|arXiv (Cornell University)|Aug 14, 2020

Meteorological Phenomena and Simulations参考文献 22被引用 10

一句话总结

本研究提出一种深度卷积神经网络（CNN）作为后处理工具，以校正韩国地区WRF中尺度天气预报中的系统性偏差。该CNN基于2014–2017年共四年的WRF输出与地面观测数据进行训练，显著降低了2018年预报中风速、降水、温度及其他参数的误差，将各93个站点的预报一致性指数（IOA）从WRF原始的0.67–0.98提升至0.85–0.99。

ABSTRACT

Advancements in numerical weather prediction models have accelerated, fostering a more comprehensive understanding of physical phenomena pertaining to the dynamics of weather and related computing resources. Despite these advancements, these models contain inherent biases due to parameterization and linearization of the differential equations that reduce forecasting accuracy. In this work, we investigate the use of a computationally efficient deep learning method, the Convolutional Neural Network (CNN), as a post-processing technique that improves mesoscale Weather and Research Forecasting (WRF) one day forecast (with a one-hour temporal resolution) outputs. Using the CNN architecture, we bias-correct several meteorological parameters calculated by the WRF model for all of 2018. We train the CNN model with a four-year history (2014-2017) to investigate the patterns in WRF biases and then reduce these biases in forecasts for surface wind speed and direction, precipitation, relative humidity, surface pressure, dewpoint temperature, and surface temperature. The WRF data, with a spatial resolution of 27 km, covers South Korea. We obtain ground observations from the Korean Meteorological Administration station network for 93 weather station locations. The results indicate a noticeable improvement in WRF forecasts in all station locations. The average of annual index of agreement for surface wind, precipitation, surface pressure, temperature, dewpoint temperature and relative humidity of all stations are 0.85 (WRF:0.67), 0.62 (WRF:0.56), 0.91 (WRF:0.69), 0.99 (WRF:0.98), 0.98 (WRF:0.98), and 0.92 (WRF:0.87), respectively. While this study focuses on South Korea, the proposed approach can be applied for any measured weather parameters at any location.

研究动机与目标

• 减少WRF模型输出在中尺度天气预报中的系统性偏差。
• 开发一种计算高效的深度学习方法，提升WRF预报精度，同时不改变其核心物理机制。
• 评估CNN在多种气象变量和空间位置上的泛化能力。
• 证明该方法可迁移至韩国以外的地区及其他气象参数。

提出的方法

• 训练一个二维全卷积神经网络（FCN），以学习WRF预报偏差中的时空模式。
• 模型使用2014–2017年韩国93个站点的四年来历数据，包括WRF输出与对应地面观测数据。
• 输入特征包括WRF在27公里分辨率下预测的气象场（如风速、温度、降水），目标值为韩国气象厅观测数据。
• 采用均方误差损失函数，端到端训练CNN，以最小化所有变量的预报偏差。
• 将训练好的模型应用于2018年WRF预报进行推理，对每个网格点和时间步均实施偏差校正。
• 评估采用一致性指数（IOA），该指标用于量化预报相对于观测的准确性。

实验结果

研究问题

• RQ1 深度CNN能否有效学习并校正WRF模型输出在多种气象变量上的系统性偏差？
• RQ2 与原始WRF输出相比，基于CNN的后处理方法在风速和降水等关键变量上的预报准确性提升程度如何？
• RQ3 该模型在韩国不同空间位置和气象条件下的泛化能力如何？
• RQ4 包含多年历史数据是否能提升模型捕捉WRF持续性偏差的能力？

主要发现

• 基于CNN的后处理方法将地表风速的IOA从原始WRF的0.67显著提升至93个站点的0.85。
• 对于降水，IOA从WRF的0.56提升至0.62，表明雨量预报准确性得到可测量的改善。
• 地表气压预报的改善最为显著，IOA从WRF的0.69提升至0.91，反映出强大的偏差校正能力。
• 温度和露点温度预报与观测值近乎完全一致，IOA分别达到0.99（WRF：0.98）和0.98（WRF：0.98）。
• 相对湿度预报也得到改善，IOA从WRF的0.87提升至0.92，表明该方法在各类变量上均具鲁棒性。
• 该方法具备可迁移性：同一训练好的模型架构可适用于任意区域和气象参数组合，仅需极少微调。