AtmosMJ：超越年尺度的 AI 气象预测中注意力机制的再思考
摘要
大型气象模型 (LWMs) 的出现标志着数据驱动预测的转折点，许多模型现已在中期预测中超越传统数值系统。然而，实现超过几周的稳定长程自回归预测仍是重大挑战。实现年尺度稳定性的前沿模型（如 SFNO 和 DLWP-HPX）依赖将输入数据映射到非标准空间域（如球谐函数或 HEALPix 网格），以强制物理一致性和长期稳定性。这一工作挑战了这一假设，探讨在标准纬度-经度网格上是否可实现相当的长程性能。我们引入 AtmosMJ，一个直接在 ERA5 数据上运行的深度卷积网络，无需任何球面重映射。该模型的稳定性由一种新型门控残余融合 (GRF) 机制实现，此机制自适应调节特征更新，以防止长程递归模拟中的误差累积。我们的结果表明，AtmosMJ 可实现约 500 天的稳定和物理上合理的预测。在定量评估中，它在对抗 Pangu-Weather 和 GraphCast 等模型的 10 天预测精度方面表现具竞争力，同时仅需 5.7 天的 V100 GPU 训练预算。我们的发现表明，高效的网络结构设计而非非标准数据表示，可能是实现稳定且计算高效长期气象预测的关键。
引用
@article{arxiv.2506.09733,
title = {AtmosMJ: Revisiting Gating Mechanism for AI Weather Forecasting Beyond the Year Scale},
author = {Minjong Cheon},
journal= {arXiv preprint arXiv:2506.09733},
year = {2025}
}
备注
All authors of this manuscript have not reached a consensus on its submission to arXiv. Since at least one co-author does not agree with the current version being publicly available, we respectfully request the withdrawal of this preprint in accordance with the authors' collective decision