Застосування машинного навчання для уточнення чисельних метеорологічних прогнозів

Abstract

Зроблено короткий огляд тенденцій розвитку чисельного прогнозування погоди, труднощів та природи їх виникнення, існуючих та перспективних шляхів їх подолання. Як перспективний підхід для збільшення точності прогнозу приземної температури повітря чисельної регіональної моделі COSMO запропоновано архітектуру нейронної мережі, яка дозволяє прогнозувати помилки власне прогнозів атмосферної моделі із подальшим їх коригуванням. Проведено експерименти з різними передісторіями помилок регіональної моделі. Визначено кількість епох, після збільшення якої мало місце так зване перенавчання мережі. Показано, що запропонована архітектура дає можливість досягти покращення прогнозу приземної температури повітря приблизно у 50 % випадків.

Сделан краткий обзор тенденций развития численного прогнозирования погоды, трудностей и природы их возникновения, существующих и перспективных путей их преодоления. Как перспективный подход для увеличения точности прогноза приземной температуры воздуха численной региональной модели COSMO предложена архитектура нейронной сети, которая позволяет прогнозировать ошибки собственно прогнозов атмосферной модели с последующей их коррекцией. Были проведены эксперименты с различными предыстория ошибок региональной модели. Определено количество эпох, после увеличения которого имело место так называемое переобучение сети. Показано, что предложенная архитектура позволяет достичь улучшения прогноза приземной температуры воздуха примерно в 50 % случаев.

In this paper are presented a brief overview of trends in numerical weather prediction, difficulties and the nature of their occurrence, the existing and perspective ways to overcome them. The neural network architecture is proposed as a promising approach to increase the accuracy of the 2m temperature forecast by COSMO regional model. This architecture allows predicting errors of the atmospheric model forecasts with their further corrections. Experiments were conducted with different prehistories of regional model errors. The number of epochs was determined after which the increase of the so-called retraining of the network had place. It is shown that the proposed architecture makes it possible to achieve an improvement of 2m temperature forecast in approximately 50 % of cases.