论文略读：HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting

ICLR 2025 5688

大型深度学习模型在天气预报中的应用推动了该领域的显著进展，包括更高分辨率的预报能力和更长时效的预测效果，代表性模型包括 Pangu 和 Fuxi。尽管取得了这些成功，已有研究在很大程度上忽视了极端天气事件的预测，而专门针对这类事件的数据集仍然十分有限。考虑到准确预测极端天气对于社会具有关键意义，本文提出了一个涵盖高分辨率极端天气案例的综合数据集，命名为 HR-Extreme，数据来源为 NOAA 提供的 3 公里实时高分辨率快速更新系统（HRRR）数据。

我们评估了当前最先进的深度学习模型和数值天气预报（NWP）系统在 HR-Extreme 上的表现，并提出了一个改进的基线深度学习模型 HR-Heim，在整体损失和极端天气预报表现上均优于其他模型。实验结果表明，极端天气情况下的预测误差明显高于整体预测误差，显示出这类事件是天气预测中一个重要的误差来源。

这些发现强调了未来研究需要更加聚焦于提升极端天气预报的准确性，以增强天气预测在实际中的应用价值。