面向气象预报的深度学习与基础模型综述
机器学习
2025-01-14 v1
摘要
基于物理的数值模型已是大气科学的基石，虽然提供了稳健的解决方案，但往往需要消耗大量计算资源。深度学习（DL）模型近年来在气象学中崭露头角，能够通过学习复杂的气象和气候数据中的复杂依赖关系，训练后即可提供快速预测。尽管这些模型在气象预报中显示出有前景的性能，常常超越传统物理方法，但仍面临关键挑战。本文综述了近年来用于气象预报的深度学习和基础模型。我们提出了一种分类框架，依据训练范式将现有模型划分为：确定性预测学习、概率生成学习和预训练与微调。对于每种范式，我们深入探讨了底层模型架构、重大挑战、关键见解，并提出针对性的未来研究方向。此外，我们探索了这些方法的实际应用，精选了开源代码仓库和广泛使用的数据集，旨在桥接研究进展与实际实施，同时推动在气象预报中采用前沿人工智能技术的开放可信实践。相关资料可在 https://github.com/JimengShi/DL-Foundation-Models-Weather 查阅。
引用
@article{arxiv.2501.06907,
title = {Deep Learning and Foundation Models for Weather Prediction: A Survey},
author = {Jimeng Shi and Azam Shirali and Bowen Jin and Sizhe Zhou and Wei Hu and Rahuul Rangaraj and Shaowen Wang and Jiawei Han and Zhaonan Wang and Upmanu Lall and Yanzhao Wu and Leonardo Bobadilla and Giri Narasimhan},
journal= {arXiv preprint arXiv:2501.06907},
year = {2025}
}