面向运营全球站气象预报的物理信息时序模型基准测试
机器学习
2026-04-01 v3 计算机视觉与模式识别
大气与海洋物理
机器学习
摘要
时序预测模型的开发常受限于缺乏全面数据集，尤其是在全球站气象预报 (GSWF) 领域，现有数据集规模小、时间跨度短且空间稀疏。为此，我们引入了 WEATHER-5K 数据集，这是一个大规模观测气象数据集，能更好地反映现实情况，支持更好的模型训练和评估。虽然最近的时序方法在基准测试中表现良好，但在捕捉复杂气象动力学和极端事件方面仍落后于运营中的数值天气预报系统。我们提出了 PhysicsFormer，一种物理信息驱动的预测模型，将动态核心与 Transformer 残差相结合，用于预测未来气象状态。通过压力-风对齐和能源感知平滑损失实现物理一致性，确保动态合理且捕捉复杂的时间模式。我们对 PhysicsFormer 和其他时序模型在多个气象变量、极端事件预测和模型复杂度方面进行基准测试，全面评估了学术时序模型与运营预报之间的差距。该数据集和基准实现已提供：https://github.com/taohan10200/WEATHER-5K。
引用
@article{arxiv.2406.14399,
title = {Benchmarking Physics-Informed Time-Series Models for Operational Global Station Weather Forecasting},
author = {Tao Han and Zhibin Wen and Zhenghao Chen and Dazhao Du and Song Guo and Lei Bai},
journal= {arXiv preprint arXiv:2406.14399},
year = {2026}
}
备注
34 pages, 20 figures