Tested on a FastNet configuration producing 1.5 km forecasts on the UK, a wavelet loss function gives more realistic precipitation than quadratic error.
Les modèles de prévision météorologique par apprentissage automatique ont un défaut récurrent : entraînés à minimiser l'erreur quadratique moyenne, ils lissent les champs et effacent les structures fines, comme les cellules orageuses. Les objectifs spectraux fondés sur la transformée de Fourier corrigent ce flou, mais au prix d'une précision locale dégradée, car ils agissent sur l'ensemble du domaine.
Contraindre par échelle, lieu et orientation
Une équipe de 18 auteurs propose une fonction de perte fondée sur la transformée en ondelettes complexe à double arbre, qui contraint les champs atmosphériques simultanément selon l'échelle, la position et l'orientation. Elle a été évaluée sur une configuration expérimentale de FastNet couplant des prévisions mondiales à environ 31 km et régionales à 1,5 km sur le Royaume-Uni.
Par rapport à l'erreur quadratique comme à une perte spectrale de type FFT, la nouvelle fonction améliore nettement la fidélité spectrale. Face à l'erreur quadratique, elle conserve des scores ponctuels comparables, améliore les vérifications par voisinage et produit des pluies plus nettes, avec des distributions d'intensité plus réalistes — un enjeu direct pour anticiper les épisodes extrêmes.
Read the full article on the original source
Go to the source →