ИССЛЕДОВАНИЕ · RESEARCH · #924
PINN для краткосрочного прогноза потенциальной температуры при разреженных наблюдениях (arXiv:2609.27290v1)
Предмет препринта на arXiv — оценка physics-informed нейросети (PINN), которая накладывает уравнение термодинамического адвекционно-источникового баланса в координате давления и использует диабатическую схему, подогнанную по предшествующим 12 часам (замороженную при обучении на будущее), для прогноза потенциальной температуры на 1–3 часа по часовым данным ERA5 на трёх уровнях давления. В экспериментах PINN снизила RMSE по сравнению с сильнейшим базовым методом с 8.1% на 1 час до 23.8% на 3 часа в кейсе Оклахомы, сохраняла преимущество 14.6–16.9% при плотности наблюдений до 5%, показала 19.7–24.4% улучшение на 3 часа в тесте теплового события в Алабаме и ухудшилась примерно на 17.5% в стресс-тесте в Монтане, указывая на ограничение применимости при сложной местности.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Предмет препринта на arXiv — оценка physics-informed нейросети (PINN), которая накладывает уравнение термодинамического адвекционно-источникового баланса в координате давления и использует диабатическую схему, подогнанную по предшествующим 12 часам (замороженную при обучении на будущее), для прогноза потенциальной температуры на 1–3 часа по часовым данным ERA5 на трёх уровнях давления.
- В экспериментах PINN снизила RMSE по сравнению с сильнейшим базовым методом с 8.1% на 1 час до 23.8% на 3 часа в кейсе Оклахомы, сохраняла преимущество 14.6–16.9% при плотности наблюдений до 5%, показала 19.7–24.4% улучшение на 3 часа в тесте теплового события в Алабаме и ухудшилась примерно на 17.5% в стресс-тесте в Монтане, указывая на ограничение применимости при сложной местности.
- Показывает, что физические ограничения существенно улучшают краткосрочные атмосферные прогнозы при разреженных наблюдениях и переносятся между регионами, при этом выявляет ограничения по сложной местности, важные для климатически ориентированных цифровых двойников.
ПОЧЕМУ ЭТО ВАЖНО
Показывает, что физические ограничения существенно улучшают краткосрочные атмосферные прогнозы при разреженных наблюдениях и переносятся между регионами, при этом выявляет ограничения по сложной местности, важные для климатически ориентированных цифровых двойников.