Nowcastnet巧妙地对极端降水的现象

　　熟练的现象需要同时利用物理第一原则和统计学习方法。NowCastNet使用神经网络框架提供了这样的统一，从而允许端到端的预测错误优化。我们的现象算法（图1A）是一种物理条件深的生成模型，可利用基于雷达的表面沉淀的估计值，以预测给定过去雷达场的未来雷达场。该模型包括一个由θ参数化的随机生成网络和由ϕ参数化的确定性演化网络。Nowcasting过程基于来自潜在随机向量Z的物理条件生成，由　　潜在高斯载体z上的集成使整体预测与预测巧妙地捕获关键混乱动力学4。　　尽管我们的工作符合物理知识的神经网络的新生研究线索5，但降水域中存在许多挑战，而现有研究并不容易容纳。最值得注意的是，大气物理学的多尺寸性质在几个时空尺度中引入了新兴依赖性，并对大气可预测性施加了固有的限制8。特别是，对流过程从不确定的初始条件中受到混乱误差的增长，将对流方案限制为20 km的空间量表，交货时间为1小时（参考文献18）。神经网络和物理原理的幼稚组合纠缠了多尺度的可变性，并破坏了中尺度和对流尺度模式，从而造成了不良的混杂和不受控制的错误。　　我们通过一种新的调理机制来解决多尺度问题，数据驱动的生成网络θ在基于对流的进化网络ϕ上增强了（图1A）。进化网络构成了降水物理学的符合，从而在20 km的尺度上为对流特征提供了物理上合理的预测。Nowcast解码器采用过去雷达字段的Nowcast编码器表示，以及Evolution网络预测，并从潜在高斯矢量Z中生成细粒度的预测，该预测可以以1-2公里的比例捕获对流功能。这样的量表解散会减轻多尺度预测框架中的高档或降尺度传播的错误19。我们使用空间自适应归一化技术20来实现适应性进化调节机制。在每个远程通过中，每个二次激活的平均值和方差被从进化网络预测计算出的空间相应的统计量所取代。结果，Nowcastnet自适应地结合了由物理定律和雷达观察结果所揭示的对流尺度细节所支配的中尺度模式，产生了熟练的多尺度预测，最高可达3小时。　　考虑到编码物理知识的预训练的进化网络，学习被构成了有条件生成的对抗网络的培训。暂时歧视器建立在象征解码器上，以几个时间窗口中的特征金字塔为输入，并输出输入是真实的雷达还是假字段。对Nowcast编码器和解码器进行了对抗性损失的培训，以产生雷达观测中存在的对流细节，但基于Advection Evolution Network被忽略了。同样，生成的现象需要在空间上与雷达观测值保持一致。这是通过池的正则化实现的，该池正规化在空间播放的集合现象和空间式观测值之间实现了一致性。合并级别的一致性更宽容于现实领域中的空间混乱，并且能够解决生成网络与进化网络之间的冲突。

本文来自作者[lejiaoyi]投稿，不代表言希号立场，如若转载，请注明出处：https://www.lejiaoyi.cn/zixun/202506-1365.html