[论文解读] Towards a Precipitation Bias Corrector against Noise and Maldistribution

Xiaoyang Xu, Yiqun Liu+6 more|arXiv (Cornell University)|Oct 15, 2019

Meteorological Phenomena and Simulations参考文献 23被引用 7

一句话总结

本论文提出了一种新颖的、无需专家参与的深度学习模型，用于校正数值降水预报中的偏差。该模型结合了去噪自编码器模块以处理噪声输入数据，以及序数回归模块以解决降水输出中的分布偏差问题。在ECMWF气象数据上的评估显示，该模型在威胁评分（TS）方面达到最先进水平，优于经典机器学习和深度学习基线方法，在定量指标和可视化质量方面均表现更优。

ABSTRACT

With broad applications in various public services like aviation management and urban disaster warning, numerical precipitation prediction plays a crucial role in weather forecast. However, constrained by the limitation of observation and conventional meteorological models, the numerical precipitation predictions are often highly biased. To correct this bias, classical correction methods heavily depend on profound experts who have knowledge in aerodynamics, thermodynamics and meteorology. As precipitation can be influenced by countless factors, however, the performances of these expert-driven methods can drop drastically when some un-modeled factors change. To address this issue, this paper presents a data-driven deep learning model which mainly includes two blocks, i.e. a Denoising Autoencoder Block and an Ordinal Regression Block. To the best of our knowledge, it is the first expert-free models for bias correction. The proposed model can effectively correct the numerical precipitation prediction based on 37 basic meteorological data from European Centre for Medium-Range Weather Forecasts (ECMWF). Experiments indicate that compared with several classical machine learning algorithms and deep learning models, our method achieves the best correcting performance and meteorological index, namely the threat scores (TS), obtaining satisfactory visualization effect.

研究动机与目标

• 解决由于观测数据局限性和传统气象模型缺陷导致的数值降水预报中持续存在的偏差问题。
• 通过开发一种无需专家知识的、基于数据驱动的方法，减少对专家知识的依赖。
• 在噪声大且分布异常的降水数据条件下提升校正性能，此类数据常导致传统专家驱动方法失效。
• 与现有经典机器学习和深度学习方法相比，实现更优的气象评估指标，特别是威胁评分（TS）。
• 通过从大规模气象数据中学习而无需领域特定假设，使模型在未建模因素发生变化时仍具备鲁棒性。

提出的方法

• 模型采用去噪自编码器模块，对ECMWF提供的37个输入气象变量进行噪声过滤，提升输入数据质量。
• 使用序数回归模块对降水强度等级的有序性进行建模，以解决降水数据中常见的分布偏差问题。
• 两个模块联合训练，以优化偏差校正性能，其中自编码器负责重建干净输入，序数模块负责预测准确的降水等级。
• 该架构可端到端训练，使模型能够学习输入变量与降水输出之间复杂的非线性关系，而无需依赖专家设计的规则。
• 模型在历史ECMWF数据上进行训练，学习将原始模型输出映射到观测降水，同时最小化系统性偏差。
• 评估采用威胁评分（TS）和视觉检查，以评估性能，并与经典机器学习和深度学习基线方法进行比较。

实验结果

研究问题

• RQ1 基于数据驱动的深度学习模型是否能有效减少对领域专家依赖的数值降水预报偏差？
• RQ2 与经典机器学习和深度学习方法相比，所提出的模型在降水偏差校正方面的表现如何？
• RQ3 去噪自编码器模块在多大程度上能减轻噪声输入数据对降水预测精度的影响？
• RQ4 序数回归模块是否能提升在分布异常的降水数据上的性能，特别是对轻度和强降水事件？
• RQ5 与专家驱动的校正方法相比，该模型在未建模因素发生变化时是否仍保持鲁棒性？

主要发现

• 所提出的模型在所有对比方法中取得了最高的威胁评分（TS），表明其在正确预测降水事件方面表现更优。
• 该模型显著降低了轻度和强降水预报中的偏差，在多个评估指标上均优于经典机器学习和深度学习基线方法。
• 校正后降水输出的可视化结果展现出更优的空间一致性，并与观测模式更加吻合，表明其具有更高的真实性。
• 去噪自编码器模块有效降低了输入气象变量中的噪声，从而提升了预测的稳定性和准确性。
• 序数回归模块成功建模了降水强度的非线性有序特性，增强了对极端天气事件预测的可靠性。
• 该模型在未建模因素发生变化时表现出鲁棒性，无需重新训练或专家干预即可维持高性能。