FengWu-GHR：学习公里级中期全球天气预报
机器学习
2024-02-02 v1 人工智能
大气与海洋物理
摘要
全球大气动力学的公里级建模能够实现细粒度天气预报，并降低灾害性天气和气候活动的风险。因此，构建公里级全球预报模型是气象学领域的不懈追求。过去几十年间，国际上为提升数值天气模型的空间分辨率做出了积极努力。然而，由于计算资源的巨大消耗，开发更高分辨率的数值模型仍是一项长期挑战。数据驱动的全球天气预报模型的最新进展利用再分析数据进行模型训练，并展现出与数值模型相当甚至更高的预报技巧。然而，它们都受限于再分析数据的空间分辨率，无法生成更高分辨率的预报。本文提出了 FengWu-GHR，这是首个在 0.09 水平分辨率上运行的数据驱动全球天气预报模型。FengWu-GHR 引入了一种新颖方法，通过继承预训练低分辨率模型的先验知识，为运行基于机器学习的高分辨率预报打开了大门。对 2022 年天气预测的后报结果表明，FengWu-GHR 优于 IFS-HRES。此外，对站点观测的评估和极端事件的案例研究支持了 FengWu-GHR 在高分辨率下具有竞争力的业务预报技巧。
引用
@article{arxiv.2402.00059,
title = {FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting},
author = {Tao Han and Song Guo and Fenghua Ling and Kang Chen and Junchao Gong and Jingjia Luo and Junxia Gu and Kan Dai and Wanli Ouyang and Lei Bai},
journal= {arXiv preprint arXiv:2402.00059},
year = {2024}
}
备注
19 pages