Dated NN 4D-Var: эффективная гибридная модель для комплексной системы прогнозирования

arXiv: 261 030 2582v1 Аннот: перекрестное резюме: Гибридные системы прогнозирования, сочетающие машинное обучение и числовое прогнозирование погоды, предлагают многообещающий путь к совершенствованию навыков прогнозирования при сохранении физической последовательности. В этом исследовании мы изучаем онлайновое изучение изменений моделей-изменителей в зависимости от государства в рамках Комплексной системы прогнозирования с использованием 4D-Var. Опираясь на результаты предыдущей работы, мы представляем собой погрешность модели с использованием нейронной сети, встроенной в модель прогнозирования и подготовленной на основе наблюдений в рамках цикла ассимиляции данных. Во-первых, мы введем целевой вариант нейронной сети 4D-Var, где оцениваются только параметры нервной сети, а атмосферное состояние обеспечивается предварительным анализом. Затем мы предлагаем пакетное расширение, которое обрабатывает ассимиляционные окна в произвольном порядке и усредненные увеличения параметров над несколькими окнами, используя вдохновение мини-батч стохастической оптимизации. Эксперименты проводятся совместно с Интегрированной Форекой