基于深度学习的月平均2m气温订正方法
方巍1
王冰轮2
1.南京信息工程大学计算机学院/数字取证教育部工程研究中心,江苏 南京 210044;中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室/中国气象局武汉暴雨研究所,湖北 武汉 430205;南京气象科技创新研究院/中国气象局交通气象重点开放实验室,江苏 南京 210041;南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京 2100442.南京信息工程大学计算机学院/数字取证教育部工程研究中心,江苏 南京 210044
摘要：作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向.而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷.第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野,这导致U-Net不能从全局的角度学习空间特征;第二,U-Net的下采样操作容易丢失图像细节信息.这两点都影响了该模型的订正性能.因此采取以下两个措施进行改进,一是将原模型与能够学习图片全局特征的Vision Transformer有机结合起来,使其能够从全局的角度学习空间特征;二是引入UNet 3+模型中的全尺度连接操作,弥补原下采样中丢失的图像细节信息.改进之后的模型称为UNet-Former 3+,在CMIP6中月平均2m气温的春季和冬季数据集上进行订正实验,ERA5为实验标签.模型会与分位数映射、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这六种订正方法进行对比.实验结果表明,此模型在两个季节的平均绝对误差都下降49%,均方根误差都下降57%,两者都低于上述六种方法.总之,UNet-Former 3+在春季和冬季的订正效果优于上述六种方法.
关键词：短期气候预测数据订正Vision Transformer全尺度连接UNet-Former 3+
分类号：P456.5(天气预报)
资助基金：国家自然科学基金(42075007)国家自然科学基金(42475149)灾害天气国家重点实验室开放项目(2021LASWB19)江苏省研究生科研创新计划项目(KYCX22_1218)交通运输行业重点实验室(BJG202306)中国气象局流域强降水重点开放实验室开放研究基金(No.2023BHR-Y14)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 906-917 )
英文信息