论文页面 - 不确定性感知的端到端AI天气预报：分解观测与模型贡献

来源：https://huggingface.co/papers/2608.30795

摘要

通过对Aardvark天气模型的编码器和处理器添加学习到的观测噪声和蒙特卡洛丢弃法，使其成为概率模型，从而生成一个经过校准的嵌套集成，这既提升了平均预报性能，又能区分偶然不确定性和认知不确定性。

端到端天气预报系统能够直接从原始地球观测数据产生精确的全球网格化和站点预报，以极低的成本替代了包含数据同化在内的数值天气预报流程。这类系统是确定性的，不提供任何不确定性信息。在此，我们通过为Aardvark天气模型的每个组件附加一个随机机制，将其转变为概率模型：在观测编码器处使用学习到的、依赖于输入的噪声，用于捕捉源自观测系统的偶然不确定性；在处理器中使用蒙特卡洛丢弃法，用于捕捉学习到的动力学过程中的认知不确定性。由此产生的嵌套集成通过全概率方差分解，将预报的离散度归因于这两种来源，并可通过屏蔽观测流进行交叉验证。概率微调显著提升了平均预报，在不同变量和预报时效上平均改进了4.2%。该集成在中期预报范围内与ERA5数据集具有良好的校准性（离散度-技巧比为0.98），在保持站点均方根误差比确定性模型高不超过2.4%的同时，在每个预报时效的连续概率评分上均优于确定性模型，尽管仍落后于业务化的欧洲中期天气预报中心集成预报。编码器分支表现为由观测驱动的不确定性。这种归因于各组件的不确定性使得端到端预报更加透明，这是迈向由观测驱动的数字大气孪生的重要一步。

查看arXiv页面 (https://arxiv.org/abs/2608.30795)查看PDF (https://arxiv.org/pdf/2608.30795)项目页面 (https://gitlab.hhi.fraunhofer.de/ai-aml/uqe2e)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.30795)

在代理中获取此论文：

hf papers read 2608\.30795

没有最新的CLI？运行：curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型关联此论文。

在模型的README.md文件中引用 arxiv.org/abs/2608.30795，即可将模型链接到此页面。

引用此论文的数据集1

rodrigoalmeida1994/uqe2e 约2小时前更新 • 50 (https://huggingface.co/datasets/rodrigoalmeida1994/uqe2e)

引用此论文的Spaces0

无Space关联此论文。

在Space的README.md文件中引用 arxiv.org/abs/2608.30795，即可将Space链接到此页面。

包含此论文的收藏0

无收藏包含此论文。

将此论文添加到收藏 (https://huggingface.co/new-collection) 即可将其链接到此页面。