发表机构
Fraunhofer Heinrich Hertz Institute; Technische Universität Berlin; BIFOLD（弗劳恩霍夫海因里希·赫兹研究所; 柏林工业大学; BIFOLD）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出 SoftSEEPS，一个 SEEPS 评分的可微近似，用于直接训练机器学习模型预报降水，并在 IMERG 数据集上验证，可与 RMSE 联合优化且权衡很小。
AI 中文摘要
本文开发了著名 SEEPS 评分的可微近似，命名为 SoftSEEPS。这使得机器学习模型能够直接训练以预报降水。我们在 IMERG 数据集（0.1 度分辨率）上测试 SoftSEEPS，通过在预训练的低分辨率预报模型的潜空间上训练一个降水解码器。将 SoftSEEPS 与 RMSE 结合在联合目标中是可行的，且任一指标的权衡很小。
英文摘要
In this paper we have developed a differentiable approximation of the well-known SEEPS score, which we name SoftSEEPS. This allows the training of a Machine Learning model to forecast precipitation directly. We test SoftSEEPS on the IMERG dataset (0.1 degree resolution) by training a decoder for precipitation on the latent space of a pre-trained low-resolution forecasting model. Combining SoftSEEPS and RMSE in a joint objective is possible with marginal trade-offs in either metric.
