Nature Scientific Reports: Повышение точности краткосрочных прогнозов ECMWF за счёт глубокого обучения
Статья посвящена описанию и оценке предложенной модели калибровки на основе нейронной сети для постобработки двух основных метеорологических параметров, а именно приземной температуры воздуха (на уровне 2 м) и суточного накопления осадков. Основная идея этой работы заключается в улучшении краткосрочных (до трёх дней) прогнозов, предоставляемых глобальной моделью численного прогнозирования погоды ECMWF (Европейским центром среднесрочных прогнозов погоды). По сравнению с существующими локальными моделями погоды, обычно предоставляющими прогнозы погоды для ограниченных географических областей (например, в пределах одной страны, которые более точны), ECMWF предлагает прогнозы погодных явлений по всему миру. Ещё одним значительным преимуществом этой глобальной модели численного прогнозирования погоды является тот факт, что при её использовании в нескольких известных онлайн-приложениях прогнозы находятся в свободном доступе, в то время как выходные данные локальных моделей часто необходимо оплачивать. Предлагаемая расширяющая возможности ECMWF модель использует комбинацию необработанных данных ECMWF и дополнительных входных параметров, полезных для оценки ошибки ECMWF и её последующей коррекции. Наземные данные, используемые для этапа обучения этой модели, состоят из реальных наблюдений с метеостанций, расположенных в 10 городах двух европейских стран. Результаты, полученные с помощью перекрестной проверки, показывают, что предложенная параметрическая модель превосходит точность стандартного прогноза ECMWF и приближается к точности прогноза локальных моделей численного прогнозирования погоды.
