使用加拿大全球确定性分析系统对GraphCast 37 层进行高效微调
机器学习
2025-08-12 v2 大气与海洋物理
摘要
本工作描述了一种高效微调 GraphCast 数据驱动预报模型以模拟另一分析系统的过程，即加拿大环境与气候变化局( ECCC)的全球确定性预报系统(GDPS)。使用 2019 年 7 月至 2021 年 12 月的两年训练数据和 37 个 GPU 天的计算资源，对 37 层、四分之一度版本的 GraphCast 进行微调，得到的模型显著优于未经微调的 GraphCast 和操作预报，在 1至 10 天的预报时限上在对流层中表现出显著的预报技能。该微调通过缩短 GraphCast 原始训练课程来实现，依赖较短的单步预报阶段完成大部分适应性工作，并将自回归阶段整合为独立的 12 小时、1 天、2 天和 3 天阶段，并采用更大的学习率。此外，为节省主机内存，3 天预报训练被分为两个子步骤，以保持与完整训练周期的强相关性。
引用
@article{arxiv.2408.14587,
title = {Efficient fine-tuning of 37-level GraphCast with the Canadian global deterministic analysis},
author = {Christopher Subich},
journal= {arXiv preprint arXiv:2408.14587},
year = {2025}
}