KARINA：一种用于全球天气预报的高效深度学习模型
机器学习
2024-03-19 v1 人工智能
计算机视觉与模式识别
大气与海洋物理
摘要
基于深度学习的、数据驱动的模型在气候研究中日益普及，特别是在全球天气预报方面。然而，在高分辨率下训练全球天气数据需要海量的计算资源。因此，我们提出了一个名为 KARINA 的新模型，以克服该领域典型的巨大计算需求。该模型以显著更少的计算资源实现了与更高分辨率同类模型相当的预测精度，仅需 4 块 NVIDIA A100 GPU 且训练时间不到 12 小时。KARINA 结合了 ConvNext、SENet 和 Geocyclic Padding 以增强 2.5{\deg} 分辨率下的天气预报能力，该分辨率可滤除高频噪声。Geocyclic Padding 保留了输入图像侧边界处的像素，从而在球形地球上维持大气流动的连续性。SENet 动态改善特征响应，推进了大气过程建模，特别是在具有众多通道的垂直柱状过程中。以此方式，KARINA 在天气预报准确率上设定了新的基准，在长达 7 天的预报时效内超越了 ECMWF S2S 再预报等现有模型。值得注意的是，即使与使用像素多 100 倍的高分辨率数据训练的新近开发的模型（Pangu-Weather、GraphCast、ClimaX 和 FourCastNet）相比，KARINA 也取得了具有竞争力的性能。总而言之，KARINA 通过以更高的准确率和资源效率对地球大气进行建模，显著推进了全球天气预报。
引用
@article{arxiv.2403.10555,
title = {KARINA: An Efficient Deep Learning Model for Global Weather Forecast},
author = {Minjong Cheon and Yo-Hwan Choi and Seon-Yu Kang and Yumi Choi and Jeong-Gil Lee and Daehyun Kang},
journal= {arXiv preprint arXiv:2403.10555},
year = {2024}
}