基于数据同化与天气预测的全球观测预报框架DAWP
机器学习
2025-10-21 v1 人工智能
大气与海洋物理
摘要
天气预报是人类社会的关键任务，人工智能天气预报（AIWP）方法通过训练有监督数据取得了显著进展。然而，依赖再分析数据的AIWP存在数据同化偏差和时序差异等局限。为摆脱再分析数据的限制，观测预报范式正在成为天气预报的变革性方法。观测预报的关键挑战在于跨异构测量系统学习不规则高分辨率观测数据的时空动力学，这受限于AIWP的设计与预测。为此，我们提出DAWP框架，通过初始化人工智能数据同化（AIDA）模块实现AIWP在完整观测空间中的运行。具体而言，AIDA模块采用掩码多模态自编码器（MMAE）同化由掩码ViT-VAE编码的不规则卫星观测token。对于AIWP，我们引入基于跨区域边界条件（CBC）的时空解耦变换器，学习观测空间中的动力学，以实现子图像级的全球观测预报。综合实验表明，AIDA初始化显著提升了AIWP的滚动预报效果和效率。此外，我们展示了DAWP在全球降水预报中具有巨大的应用潜力。
引用
@article{arxiv.2510.15978,
title = {DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space},
author = {Junchao Gong and Jingyi Xu and Ben Fei and Fenghua Ling and Wenlong Zhang and Kun Chen and Wanghan Xu and Weidong Yang and Xiaokang Yang and Lei Bai},
journal= {arXiv preprint arXiv:2510.15978},
year = {2025}
}