面向MENA地区的神经气象预测高效局部适配：案例研究
机器学习
2024-09-13 v1 人工智能
大气与海洋物理
摘要
准确的天气和气候建模对科学进步和社区防范环境风险至为重要。传统方法高度依赖数值天气预报（NWP）模型，这些模型模拟地球系统中能量和物质的传输。然而，巨大的计算需求和低效率限制了NWP的适用性，导致亟需更高效的建模技术。基于神经网络的模型作为数据驱动方法涌现出作为天气变量预测的有前景的替代方案。本文聚焦于小范围建模，为特定的下游任务训练模型。我们选取MENA地区作为案例研究，因为该地区面临独特的气候挑战，在水资源管理、农业和减轻极端天气事件影响方面需要精准的局部天气预报。这种针对性方法使我们能够针对感兴趣地区的独特条件优化模型能力。本研究旨在验证将参数高效微调（PEFT）方法，特别是Low-Rank Adaptation（LoRA）及其变体，集成到天气和气候建模中，以提升预测精度、训练速度、计算资源利用率和内存效率的有效性。
引用
@article{arxiv.2409.07585,
title = {Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region},
author = {Muhammad Akhtar Munir and Fahad Shahbaz Khan and Salman Khan},
journal= {arXiv preprint arXiv:2409.07585},
year = {2024}
}
备注
Our codebase and pre-trained models can be accessed at: [this url](https://github.com/akhtarvision/weather-regional)