探索自回归深度学习气候模型的设计选择
机器学习
2025-05-06 v1
摘要
深度学习模型在中期天气预报中取得了领先性能，但在14天以上的长期预测中往往无法保持物理一致性。相比之下，少数大气模型表现出数十年的稳定性，但尚不清楚实现这一稳定性的关键设计选择。本研究对三种主要深度学习气候模型 (Deep Learning-Medium Range Weather Prediction) 架构——FourCastNet、SFNO 和 ClimaX 在5.625度分辨率下基于ERA5再分析数据的训练结果进行定量比较。我们系统评估了自回归训练步数、模型容量以及prognostic变量选择对长期稳定性的影响，识别出能够实现稳定10年滚动预测并保持参考数据集统计特性的配置。值得注意的是，SFNO的滚动预测对超参数选择最为稳健，但所有模型在随机种子和prognostic变量集合不同时都可能出现不稳定现象。
引用
@article{arxiv.2505.02506,
title = {Exploring Design Choices for Autoregressive Deep Learning Climate Models},
author = {Florian Gallusser and Simon Hentschel and Anna Krause and Andreas Hotho},
journal= {arXiv preprint arXiv:2505.02506},
year = {2025}
}
备注
Tackling Climate Change with Machine Learning Workshop @ ICLR 2025