Исследователи представили гибридную модель машинного обучения, предназначенную для коррекции ошибок в численных прогнозах погоды высокого разрешения (NWP). Система High-Resolution Rapid Refresh (HRRR), используемая метеорологами, часто сталкивается с неточностями, вызванными сложными атмосферными процессами, такими как конвекция, влияние рельефа и динамика пограничного слоя планеты. Традиционные методы не всегда справляются с учетом вертикальной структуры атмосферы, что приводит к накоплению погрешностей в краткосрочных прогнозах.
Новая архитектура объединяет возможности сетей долгой краткосрочной памяти (LSTM) и трансформеров зрения (Vision Transformer). LSTM эффективно обрабатывает временные последовательности данных, фиксируя динамику изменений атмосферных параметров, в то время как Vision Transformer анализирует пространственные зависимости и сложные паттерны в метеорологических полях. Такое сочетание позволяет модели выявлять скрытые закономерности, которые предшествуют возникновению ошибок в прогнозах HRRR.
В ходе тестирования модель продемонстрировала способность точнее предсказывать отклонения в данных, чем специализированные нейросети предыдущего поколения. Использование гибридного подхода позволяет эффективнее интерпретировать данные о вертикальных профилях атмосферы, что критически важно для повышения точности прогнозирования экстремальных погодных явлений. Разработка открывает возможности для интеграции методов глубокого обучения в оперативные метеорологические системы, позволяя корректировать прогнозы в режиме реального времени без необходимости полной переработки физических моделей атмосферы.