基于Kolmogorov-Arnold神经插值器的气象场降尺度与校正：面向站点观测数据
计算机视觉与模式识别
2025-01-27 v1
摘要
在站点位置获取准确天气预报是一项关键挑战，由于多尺度、连续大气特性与其离散、网格化表示之间的错位，导致系统性偏差。以往工作主要关注建模网格化气象数据，本质上忽略了大气状态的非网格化、连续特性，导致此类偏差无法解决。为此，我们提出了Kolmogorov-Arnold 神经插值器（KANI），该框架将气象场表示重新定义为从离散网格派生的连续神经函数。基于Kolmogorov-Arnold 定理，KANI 捕捉大气状态的内在连续性，并利用稀疏现场观测数据进行系统性校正。此外，KANI 引入一种创新的零样本降尺度能力，由高分辨率地形纹理引导，无需高分辨率气象场即可实现监督。跨美国三个子地区的实验结果表明，KANI 在温度上实现 40.28% 的精度提升，在风速上实现 67.41% 的精度提升，凸显其对传统插值方法的显著优势。通过神经网络实现气象变量的连续神经表示，超越了传统基于网格的表示的局限性。
引用
@article{arxiv.2501.14404,
title = {Kolmogorov Arnold Neural Interpolator for Downscaling and Correcting Meteorological Fields from In-Situ Observations},
author = {Zili Liu and Hao Chen and Lei Bai and Wenyuan Li and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2501.14404},
year = {2025}
}