点击蓝字
关注我们
Cite this article:
Yan, W. J., and Co-authors, 2024: Convolutional Graph Neural Network with Novel Loss Strategies for Daily Temperature and Precipitation Statistical Downscaling over South China. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-024-3347-z
Download:
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-024-3347-z
预出版
针对华南地区气温和基于卷积图神经网络和新型损失函数的气温与降水统计降尺度研究
传统的气象降尺度方法在处理具有复杂分布的气象问题，尤其是极端天气事件时，往往存在预测不稳定性。为了解决上述问题，作者提出了一种基于卷积图神经网络（CGNN）的模型，并通过多层特征融合和压缩-激励模块对其进行优化。CGNN能够从全局视角提取并聚合关键的空间特征，从而提升模型的预测精度和泛化能力。此外，作者还引入了一种空间平衡均方误差（SBMSE）损失函数，以更好地处理气象变量分布不均衡和空间变异性的问题。实验结果表明，CGNN在偏差分布方面表现出较小的方差，具有更好的稳定性。在降水预测方面，UNet和自编码器(AutoEncde, AE)也显示出相对较小的偏差。对于温度，AE和CNNdense在冬季降水方面表现出更好的预测能力。与传统方法相比，时间相关系数在日尺度和月尺度上，无论是温度还是降水的预测精度都提高了至少10%。SBMSE损失函数在预测第98百分位数和识别极端事件发生区域方面表现出色，但存在高估极端降水量值的倾向，这可能与对数据后验分布的理论假设部分限制了损失函数的有效性有关。作者准备在未来的工作中进一步优化SBMSE以提高预测精度。
关键词：统计降尺度, 卷积图神经网络, 特征融合, SBMSE损失函数
图1 CGNN架构概览。主要组件包括：用于捕获环流场内局部特征的CNN模块，以及用于在整个图结构中整合这些局部特征的Graph模块。
创新点
本文设计了一种基于图卷积的网络结构，用于解决华南地区气温和江水的降尺度问题。其中基于CNN的结构从大尺度范围内提取到复杂的语义特征，并通过图卷积结构从全局尺度聚合关键的空间特征，从而提高预测的准确性。除此之外，作者引入了一种空间平衡均方误差损失函数，以解决气象变量分布不平衡和空间变异性的问题。
延伸阅读：
AI专刊|特邀观点:人工智能的气候应用和浅见
AAS AI专刊——Part1阅读:
Special Issue on "AI Applications in Atmospheric and Oceanic Science: Pioneering the Future"
http://www.iapjournals.ac.cn/aas/en/article/2024/7
关注大气科学进展
大气科学进展
Advances in Atmospheric Sciences
科研前沿|行业热点|学科动态
写作规范|投稿技术|科研工具
长按二维码，关注我们
大气科学进展
《大气科学进展(英)》(Advances in Atmospheric Sciences，简称AAS)——中国大气科学领域学术水平最高的英文期刊之一，1984年创刊，1999年被SCI收录。最新影响因子6.5，JCR分区表一区。
AAS主要发表大气和海洋科学领域的创新性研究成果，刊登气候学、大气物理学、大气化学、大气探测、气象学、天气学、数值天气预报、海洋-大气相互作用、人工影响天气和应用气象学等各主要分支学科的国际最新创造性论文和研究进展的综合评述。AAS积极扩展栏目，除学术论文外，还设有数据描述文章、会议报告（特邀）、学科亮点(News&Views)（特邀）、展望（Perspectives）（特邀）及有关大气科学领域研究进展的讨论等。
AAS由国际气象学和大气科学协会（IAMAS）中国委员会、中国科学院大气物理研究所、中国气象学会主办，由Springer和科学出版社共同出版，是国际IAMAS的合作期刊。由10个国家地区的114名科学家组成的优秀编委团队全程监督审稿过程。
更多信息，欢迎登录AAS官方网站了解：
