Коррекция ошибок мезомасштабного численного прогноза погоды методами машинного обучения

Проанализированы метрики успешности краткосрочных численных прогнозов погоды для территории Беларуси на основе мезомасштабной гидродинамической модели атмосферы WRF (Weather Research and Forecasting) с регионально адаптированным блоком моделирования подстилающей поверхности. Оценена эффективность коррекции систематических ошибок численных прогнозов приземных метеопараметров с применением метода экспоненциально взвешенного скользящего среднего и фильтра Калмана.

Предложен метод повышения оправдываемости мезомасштабных численных прогнозов, в котором поправки к прогностическим полям метеопараметров вычисляются с использованием моделей машинного обучения, а предикторами выступают прогнозы нескольких глобальных и региональных гидродинамических моделей атмосферы. Проведен сравнительный анализ эффективности коррекции численных прогнозов с применением моделей машинного обучения (XGBoost и ElasticNet) и рекуррентной графовой нейронной сети с механизмом внимания (TGCN-A).

Показано, что за счет более точного описания в модели WRF подстилающей поверхности и предварительной обработки ее выходной продукции методом экспоненциально взвешенного скользящего среднего оправдываемость численных прогнозов температуры на сроки до 48 ч повышается на 1,0–4,4 %, а среднеквадратическая погрешность скорости ветра уменьшается на 0,1–0,2 м/c. Последующая коррекция прогнозов модели WRF с применением методов машинного обучения и нейронной сети дополнительно повышает оправдываемость численного прогноза температуры в среднем на 3,2 %, а также уменьшает среднеквадратические погрешности прогнозов приземного давления и скорости ветра на 0,20–0,74 гПа и 0,32–0,53 м/c соответственно.

1. Harvey, A. C. Time Series Models / A. C. Harvey. – 2nd ed. – New York : Harvester Wheatsheaf, 1993. – P. 179–198.

2. Kalman, R. E. A new approach to linear filtering and prediction problems / R. E. Kalman // Journal of Basic Engineering. – 1960. – Vol. 82. – P. 35–45.

3. Alerskans, E. Local temperature forecasts based on statistical post-processing of numerical weather prediction data / E. Alerskans, E. Kaas // Meteorological Applications. – 2021. – Vol. 28, № 4. – 21 p.

4. Быков, Ф. Л. Статистическая коррекция прогнозов погоды по модели COSMO с помощью нейронных сетей / Ф. Л. Быков // Метеорология и гидрология. – 2020. – № 3. – С. 5–20.

5. Statistical Postprocessing for Weather Forecasts: Review, Challenges, and Avenues in a Big Data World / S. Vannitsem [et al.] // Bulletin of the American Meteorological Society. – 2021. – Vol. 102, № 3. – P. E681–E699.

6. Bengtsson, L. Dynamic Meteorology: Data Assimilation Methods / L. Bengtsson, M. Ghil, E. Kallen. – New York : Springer-Verlag, 1981. – 330 p.

7. Lorenc, A. C. Analysis methods for numerical weather prediction / A. C. Lorenc // Quarterly Journal of the Royal Meteorological Society. – 1986. – Vol. 112. – P. 1177–1194.

8. Формирование продукции систем негидростатического моделирования атмосферы COSMO-RuBy (Гидрометцентр России) и WRF-ARW (Белгидромет) для краткосрочного прогноза погоды / И. А. Розинкина [и др.] // Гидрометеорологические исследования и прогнозы. – 2021. – № 4 (382). – С. 6–29.

9. Лысенко, С. А. Оценки влияния подстилающей поверхности на точность численного прогноза температуры воздуха на территории Беларуси с использованием модели WRF / С. А. Лысенко, П. О. Зайко // Гидрометеорологические исследования и прогнозы. – 2021. – № 4. – С. 50–68.

10. Лысенко, С. А. Геоинформационная система повышения оправдываемости гидродинамического прогноза погоды для территории Беларуси на основе данных дистанционного зондирования Земли и объективного анализа метеорологических полей / С. А. Лысенко, П. О. Зайко // Природопользование. – 2024. – № 1. – С. 30–40.

11. Kipf, T. N. Semi-Supervised Classification with Graph Convolutional Networks / T. N. Kipf, M. Welling // ArXiv preprint. – 2016. – arXiv:1609.02907.

12. T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction / L. Zhao [et al.] // IEEE Transactions on Intelligent Transportation Systems. – 2020. – Vol. 21, № 9. – P. 3848–3858.

13. A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting / Bai J. [et al.] // ISPRS International Journal of Geo-Information. – 2021. – Vol. 10, № 7. – P. 485.