tunisia-temperature-downscaler
вероятностная детализация прогноза температуры с 28 км до 5,5 км
2 min readupdated
Модель повышает пространственное разрешение грубых прогнозов температуры воздуха на высоте 2 метров с сетки 0.25° (~28 км) до сетки 5.5 км (Copernicus CERRA) для территории Туниса. В основе лежит лёгкая архитектура Multi-scale Probabilistic U-Net (~2,15M параметров), обученная на исторических данных реанализа ERA5 и CERRA за 2014–2019 годы. В отличие от детерминированных моделей на базе MSE, которые сглаживают мелкие детали, эта модель использует вероятностную функцию потерь CRPS (оценивает точность распределения вероятностей прогноза) и генерирует ансамбль сценариев с сохранением рельефных и прибрежных контрастов. Пригодится метеорологам, исследователям климата и разработчикам локальных погодных сервисов для уточнения глобальных прогнозов без дообучения под конкретную модель.
Ключевые особенности
- Zero-shot перенос на любые прогнозы: обучалась только на реанализе, но напрямую применяется к глобальным моделям вроде ECMWF IFS-ENS или AIFS-ENS.
- Рост детализации в 16,5 раза: эффективная длина волны сокращается с 227,5 км до 13,8 км, сохраняя мелкомасштабные температурные градиенты.
- Высокая точность в горах: на валидации 2020 года снижает
RMSEна 32,6% по всей суше и на 46,1% в горах Дорсаль (1000–1500 м). - Автономный чекпоинт: файл
model.ptуже содержит сетку127 × 77, карту высот, расстояние до берега и статистики нормализации.
Что можно сделать
- Уточнить 10-дневные ансамблевые прогнозы: прогнать члены ансамбля ECMWF IFS-ENS
0.25°и получить детализированный вероятностный прогноз для горных и прибрежных районов Туниса. - Повысить точность детекции экстремальной жары: использовать ансамблевый выход для отслеживания температур выше
35 °C(в тестах по метеостанциям доля попаданий выросла с 68,2% до 75,0%). - Адаптировать пайплайн под другой регион: взять архитектуру и подход с добавлением статических данных рельефа за основу для обучения локального даунскейлера на другую территорию.
Пример
from huggingface_hub import hf_hub_download
from downscale.downscaler import Downscaler
ckpt = hf_hub_download(repo_id="InfectV22/tunisia-temperature-downscaler", filename="model.pt")
model = Downscaler.load(ckpt)
# coarse_kelvin: (time, y, x) на сетке 127x77 -> (time, members, y, x) в Кельвинах
fine_ensemble = model.predict(coarse_kelvin, valid_times, members=4)Подробнее
Валидация (2020, vs CERRA 5,5 км): RMSE снижен с 1,383 K до 0,932 K (-32,6%), CRPS — с 1,046 K до 0,475 K (-54,6%).Проверка по 17 метеостанциям WMO/INM (прогноз IFS-ENS на 10 дней): общий CRPS улучшен на 12,4% (до -38% на +24 ч), на высотах 500–1000 м — на 31,1%.
Входы: 11 физических и пространственно-временных каналов (температура, высота рельефа, маска суши, береговая линия, координаты, время) + 2 канала многомасштабного шума.
Ограничения: на вход подаётся только температура
t2m (без ветра, влажности и облачности); работает строго в пределах координат Туниса (32.0°N–38.0°N, 7.5°E–11.8°E).









Comments