比较与对比不同 DLWP 骨架在纳维尔-斯托克斯方程与大气动力学中的表现
机器学习
2026-02-02 v3
摘要
众多基于多种骨架（包括 U-Net、Transformer、图神经网络和傅里叶神经算子）的深度学习天气预报 (DLWP) 架构已展示出在预测大气状态方面的潜力。然而，由于训练协议、预测时限和数据选择的差异，仍不清楚这些方法和架构中哪一种（或是否存在）适用于天气预报以及未来模型开发。本文我们退回到基本问题，提供一项受控条件下的详细经验性分析，比较与对比最具代表性的 DLWP 模型及其骨架。我们通过预测合成二维不可压缩纳维尔-斯托克斯方程和真实世界的全球天气动力学来实现这一目标。在合成数据上，我们观察到傅里叶神经算子 (FNO) 的表现优异；而在真实世界的 WeatherBench 数据集上，我们的结果表明，对于短至中期预报，卷积 LSTM 和 SwinTransformer 最为适合。对于最长可达 50 年的长期天气滚动预测，我们观察到采用球面数据表示形式的架构（即 GraphCast 和 Spherical FNO）在稳定性和物理合理性方面表现更佳。代码已公开于 https://github.com/amazon-science/dlwp-benchmark。
引用
@article{arxiv.2407.14129,
title = {Comparing and Contrasting DLWP Backbones on Navier-Stokes and Atmospheric Dynamics},
author = {Matthias Karlbauer and Danielle C. Maddix and Abdul Fatir Ansari and Boran Han and Gaurav Gupta and Yuyang Wang and Andrew Stuart and Michael W. Mahoney},
journal= {arXiv preprint arXiv:2407.14129},
year = {2026}
}