WeatherODE：一种夹层物理驱动神经 ODE 用于天气预报以缓解离散化挑战
机器学习
2024-10-10 v1 人工智能
摘要
在天气预报领域，传统模型常面临离散化误差和时间依赖源偏差，这限制了其预测性能。本文提出了 WeatherODE，一种新型单阶段、物理驱动的常微分方程 (ODE) 模型，旨在提高天气预报准确性。通过利用波动方程理论并集成时间依赖源模型，WeatherODE 有效解决了时间离散化误差和动态大气过程的挑战。此外，我们设计了 CNN-ViT-CNN 夹层结构，促进了针对不同且相互关联的任务在微分方程估计中具有不同优化偏见的高效学习动力学。通过严格实验，WeatherODE 在全球和区域天气预报任务中表现优异，分别在均方根误差 (RMSE) 上超过最新 SOTA 方法超过 40.0% 和 31.8%。源代码已公开于 \url{https://github.com/DAMO-DI-ML/WeatherODE}。
关键词
引用
@article{arxiv.2410.06560,
title = {Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting},
author = {Peiyuan Liu and Tian Zhou and Liang Sun and Rong Jin},
journal= {arXiv preprint arXiv:2410.06560},
year = {2024}
}