高级长期地球系统预测
机器学习
2026-01-12 v3
摘要
地球系统动力学的可靠长期预测从根本上受限于当前人工智能（AI）模型在扩展自回归模拟过程中的不稳定性。这些失败通常源于固有的谱偏差，导致对关键的高频、小尺度过程表征不足，并随后产生不可控的误差放大。受数值模型中用于解析小尺度的嵌套网格启发，我们提出了 TritonCast。其设计的核心是一个专用的潜在动力学核心，确保了宏观演化在粗尺度上的长期稳定性。外层结构随后将这一稳定趋势与细粒度的局部细节相融合。该设计有效缓解了由跨尺度相互作用引起的谱偏差。在大气科学中，它在 WeatherBench 2 基准上取得了最先进的准确率，同时展现出卓越的长期稳定性：执行了为期一年的自回归全球预测，并完成了跨越整个可用 天测试期且无漂移的多年气候模拟。在海洋学中，它将有效的涡旋预测延长至 天，并展现出前所未有的零样本跨分辨率泛化能力。消融研究表明，这种性能源于该架构核心组件的协同作用。因此，TritonCast 为新一代可信的、AI 驱动的模拟提供了一条有前景的途径。这一重大进展有望加速气候与地球系统科学中的发现，实现更可靠的长期预测，并深化对复杂地球物理动力学的理解。
引用
@article{arxiv.2505.19432,
title = {Advanced Long-term Earth System Forecasting},
author = {Hao Wu and Yuan Gao and Ruijian Gou and Xian Wu and Chuhan Wu and Huahui Yi and Johannes Brandstetter and Fan Xu and Kun Wang and Penghao Zhao and Hao Jia and Qi Song and Xinliang Liu and Juncai He and Shuhao Cao and Huanshuo Dong and Yanfei Xiang and Fan Zhang and Haixin Wang and Xingjian Shi and Qiufeng Wang and Shuaipeng Li and Ruobing Xie and Feng Tao and Yuxu Lu and Yu Guo and Yuntian Chen and Yuxuan Liang and Qingsong Wen and Wanli Ouyang and Deliang Chen and Niklas Boers and Xiaomeng Huang},
journal= {arXiv preprint arXiv:2505.19432},
year = {2026}
}