ArchesWeather：1.5° 分辨率下的高效 AI 气象预测模型
机器学习
2024-07-04 v2 人工智能
摘要
设计基于 AI 的气象预测系统的 guiding 原则之一是将物理约束作为神经网络架构中的归纳先验。一个流行的先验是局部性，其中大气数据通过局部神经互动处理，如 3D 卷积或 Pangu-Weather 中的 3D 局部注意力窗口。另一方面，一些研究表明，在不采用这种局部性原理的情况下仍可取得极佳成果，但需付出显著更高的参数数量代价。本文表明，Pangu-Weather 中的 3D 局部处理计算上并不优化。我们设计 ArchesWeather，一种结合 2D 注意力与列向注意力驱动的特征互动模块的 transformer 模型，证明该设计可提升预测技能。ArchesWeather 在 1.5° 分辨率和 24 小时预报时程下训练，训练预算为几天 GPU 时间，推理成本低于竞争方法。四个模型的 ensemble 显示，其 RMSE 分数优于 IFS HRES，且在 1-3 天预报中与 1.4° 50 成员 NeuralGCM ensemble 相抗竞争。我们的代码和模型已公开于 https://github.com/gcouairon/ArchesWeather。
引用
@article{arxiv.2405.14527,
title = {ArchesWeather: An efficient AI weather forecasting model at 1.5{\deg} resolution},
author = {Guillaume Couairon and Christian Lessig and Anastase Charantonis and Claire Monteleoni},
journal= {arXiv preprint arXiv:2405.14527},
year = {2024}
}
备注
Accepted at the Machine Learning for Earth System Modeling Workshop at ICML 2024