Testes de generalização espacial para modelos meteorológicos baseados em aprendizado de máquina para avaliar a consistência física

A previsão meteorológica baseada em aprendizado de máquina está revolucionando a previsão meteorológica ao aprender com os dados meteorológicos do clima atual. No entanto, a generalização para outros climas continua a ser um grande desafio.

Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário. ArXiv está comprometido com esses valores e só trabalha com parceiros que os aderem.

Tem uma ideia de um projeto que agregue valor à comunidade arXiv? . Saiba mais sobre o arXivLabs.

Resumo: A previsão meteorológica baseada em aprendizado de máquina está revolucionando a previsão meteorológica ao aprender com os dados meteorológicos do clima atual. Com o derretimento do gelo marinho, as mudanças no uso da terra e o aumento da temperatura dos oceanos, as condições de contorno estão mudando.

A generalização no tempo depende da generalização no espaço. Aqui, apresentamos três casos de teste para avaliar se os modelos meteorológicos e climáticos baseados em aprendizado de máquina se generalizam no espaço e os aplicamos ao GraphCast e NeuralGCM.

Invertemos ou giramos o planeta em longitude ou latitude sob o sistema de coordenadas do modelo e adaptamos todas as condições de contorno e forças de acordo.

Fonte