GAIA：面向大气动力学的基础模型
机器学习
2026-03-25 v3 人工智能
摘要
我们介绍GAIA（Geospatial Artificial Intelligence for Atmospheres，即地理空间人工智能大气模型），这是一个融合掩码自编码器（MAE）与无标签自蒸馏（DINO）的混合自监督地理空间基础模型，从全球地球静止卫星影像中生成语义丰富的表征。该模型在2001-2015年全球合并的红外观测数据上进行预训练，学习到的表征能够解耦大气动力学特征，而非仅捕获平凡的日周期模式，分布式主成分结构和时间一致性分析均证实了这一点。我们展示了在数据可用性变化（30%-95%掩码）下的鲁棒重建能力，在真实缺失数据模式上实现卓越的填补性能。当迁移到下游任务时，GAIA始终优于仅使用MAE的基线模型：在大气河段分割中F1分数提升至0.58（原为0.52），提升热带风暴检测（风暴级召回率：81% vs 75%，早期检测：29% vs 17%），且保持具竞争力的降雨估计性能。分析表明，GAIA的混合目标鼓励学习在多个主成分中分布的空间连贯、对象中心特征，而非集中于重建的表征。本工作证明，结合互补自监督目标可为多样化大气建模任务获得更具可迁移性的表征。模型权重与代码已在https://huggingface.co/bcg-usra-nasa-gaia/GAIA-v1提供。
引用
@article{arxiv.2505.18179,
title = {GAIA: A Foundation Model for Operational Atmospheric Dynamics},
author = {Ata Akbari Asanjan and Olivia Alexander and Tom Berg and Stephen Peng and Jad Makki and Clara Zhang and Matt Yang and Disha Shidham and Srija Chakraborty and William Bender and Cara Crawford and Arun Ravindran and Olivier Raiman and David Potere and David Bell},
journal= {arXiv preprint arXiv:2505.18179},
year = {2026}
}
备注
22 pages, 11 figures