通过轻量级训练实现精确天气预报的分层图网络
机器学习
2025-10-31 v2 大气与海洋物理
摘要
气候事件源于由全球尺度驱动因素控制的复杂多变量动力学，深刻影响着粮食、能源和基础设施。然而，由于物理过程在跨时空尺度上展开，固定分辨率方法无法捕捉，准确的天气预报仍然难以实现。分层图神经网络（HGNN）提供了多尺度表示，但非线性向下映射通常会抹去全局趋势，削弱了物理信息向预报中的整合。我们引入了HiFlowCast及其集成变体HiAntFlow，这些HGNN将物理信息嵌入到多尺度预测框架中。其设计基于两项创新：一种在向下遍历过程中保留全局趋势的潜在记忆保持机制，以及一个将PDE解场跨不同尺度集成的潜在到物理分支。我们的Flow模型在13天预报时效下将误差降低了超过5%，在第1和第99分位数极端情况下降低了5-8%，提高了罕见事件的可靠性。利用预训练模型权重，它们可以在单个epoch内收敛，从而降低了训练成本及其碳足迹。随着机器学习规模的不断增长挑战着可持续性并限制了研究的可及性，这种效率至关重要。代码和模型权重见补充材料。
引用
@article{arxiv.2510.22094,
title = {Hierarchical Graph Networks for Accurate Weather Forecasting via Lightweight Training},
author = {Thomas Bailie and S. Karthik Mukkavilli and Varvara Vetrova and Yun Sing Koh},
journal= {arXiv preprint arXiv:2510.22094},
year = {2025}
}