仅从气象站观测中学习联合概率天气预报

arXiv:2610.09898v1 公告类型：交叉收录 摘要：评估复合天气风险需要能够表征变量间依赖关系的预报。CLARA (Calibrated Advection-Routing Attention) 仅利用气象站观测，学习五个地表变量的联合高斯预测分布，无需数值天气预报或再分析数据；该模型约有 28,000 个参数，支持在 CPU 上进行训练和预测。在覆盖 96 个气象站的六个跨年度交叉验证折中，其预报时效平均能量评分比采用相同时间输入的学习型对照模型低 4.9%（在参数量相近时低 4.7%），比统计基线低 11%–65%。在保持边缘方差不变的情况下，移除学得的相关性会使每个气象站的联合负对数似然恶化 1.0–2.8 纳特。一个在所述假设下已被证明具有一致性的协方差尺度估计器改善了短预报时效的校准，但在长预报时效下会过度校正。合成干预表明，单独一个注意力偏置系数并不能衡量对预报的影响。在六大洲的十个区域重新训练后，CLARA 在全部 60 项跨年度区域—预报时效比较中均优于持续性预报，并在其中 57 项中优于规模相近的学习型模型。