通过物理-AI 混合建模将天气预报泛化至细粒度时间尺度
机器学习
2025-01-14 v5 人工智能
摘要
数据驱动的人工智能 (AI) 模型在天气预报领域取得了显著进展，特别是在中期预报和临近预报方面。然而，大多数数据驱动的天气预报模型是黑盒系统，侧重于学习数据映射而非时间维度上的细粒度物理演化。因此，数据集时间尺度的局限性阻碍了这些模型在更精细时间尺度上进行预报。本文提出了一种物理-AI 混合模型（即 WeatherGFT），将天气预报泛化至训练数据集之外的更细粒度时间尺度。具体而言，我们采用精心设计的 PDE 核来模拟小时间尺度（例如 300 秒）上的物理演化，并使用带有可学习路由器的并行神经网络进行偏差校正。此外，我们引入了预报时效感知的训练框架，以促进模型在不同预报时效下的泛化。对物理-AI 模块的权重分析表明，物理模块主导演化过程，而 AI 模块自适应地进行校正。大量实验表明，在小时数据集上训练的 WeatherGFT 能够有效地跨多个时间尺度泛化预报，包括 30 分钟，这甚至小于数据集的时间分辨率。
引用
@article{arxiv.2405.13796,
title = {Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling},
author = {Wanghan Xu and Fenghua Ling and Wenlong Zhang and Tao Han and Hao Chen and Wanli Ouyang and Lei Bai},
journal= {arXiv preprint arXiv:2405.13796},
year = {2025}
}