跳到正文
arXiv cs.AI· Qiuyan Sun, Mengxuan Chen, Haoyuan Liang, Guowen Li, Zhen Huang, Jianhao Lin, Juepeng Zheng, Haohuan Fu·· 4 小时前AI 评分38

SeasonRainBench:全球季节性降水预测基准与 Sim2Earth 模型

SeasonRainBench: Global Seasonal Precipitation

AI 导读

研究团队推出 SeasonRainBench,首个覆盖未来 1–5 个月月度降水的全球季节性降水预测基准,含全球 1° 卫星降水数据、7 个业务中心及 52 个气候模型生成的 310,944 个模拟月。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:准确的季节性降水预报有助于社会提前数月为干旱、洪水和作物歉收做好准备。尽管数据驱动方法在天气和次季节预报方面取得了快速进展,但业务化季节性降水预测仍依赖数值集合系统。这些系统计算成本高昂,且存在随预报时效增加而增大的偏差和漂移,这促使人们寻求更高效的数据驱动替代方案。然而这一转变面临三个相互关联的挑战:将数据驱动预报与业务化预报进行比较需要(1)一个尚不存在的全球基准,对其进行评分需要(2)能够捕捉异常相关(ACC)和 RMSE 之外业务优先事项的指标,而训练它们必须(3)依赖单一且短暂观测记录。为应对前两个挑战,我们推出了 \BenchName,这是首个此类基准,涵盖未来 1--5 个月的月降水预报。它将全球 $1^\circ$ 卫星降水与海洋和大气预测因子配对,包含七个业务中心,并提供来自 52 个气候模型的 310,944 个模拟月用于训练。除标准评分外,我们还引入了两个面向业务的指标,分别衡量异常强度和月雨带位置。为应对第三个挑战,我们开发了 \MODEL,它从模拟中学习观测记录所缺乏的信息,并通过三个模块将其迁移到地球:SimForced 对齐气候背景,SimMemory 迁移在模拟上预训练的历史编码器,SimAnalog 用模拟类比结果补充地球标签。大量实验表明,\MODEL{} 在 ACC、CRPS、异常强度和雨带位置方面分别比最强的业务化或数据驱动模型提升了 12.0\%、3.6\%、2.9\% 和 0.3\%,开辟了一条从模拟世界到地球系统预测的路径。
学科: 人工智能(cs.AI)
引用为: arXiv:2611.22281 [cs.AI]
  (或 arXiv:2611.22281v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22281

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Mengxuan Chen [查看电子邮件]
[v1] 2026年11月17日星期二 06:32:48 UTC(3,182 KB)

来源:arXiv cs.AI · arxiv.org