面向更高计算效率的现代化 CNN 天气预报模型
计算机视觉与模式识别
2025-07-16 v1 人工智能
机器学习
大气与海洋物理
摘要
最近，基于人工智能的天气预报模型取得了显著进展。这些模型的准确率已达到与传统数值天气预报系统相当，标志着数据驱动天气预报的一个重要里程碑。然而，它们大多基于Transformer架构，导致训练复杂度高、资源需求大 due to massive parameter sizes。本研究引入一种基于CNN的全球天气预报模型，既能实现与当前最佳模型相当的准确率，又显著降低计算需求。为系统阐述现代化路线图，我们强调从早期基于CNN的方法出发，在多个设计尺度上进行的关键架构增强。KAI-a 采用尺度不变架构和基于InceptionNeXt的模块化设计，结合地理学意识的设计，针对地球系统数据的结构进行优化。在ERA5日数据集上训练，包含67个大气变量，模型约700万参数，在单张NVIDIA L40s GPU上训练仅需12小时。我们的评估表明，KAI-a 在中长期天气预报方面性能与当前最先进模型相当，同时采用了显著轻量化的设计。此外，针对2018年欧洲热浪和东亚夏季季风的案例研究表明，KAI-a 在捕捉极端事件方面表现出色，强化了其实际应用价值。
引用
@article{arxiv.2507.10893,
title = {Modernizing CNN-based Weather Forecast Model towards Higher Computational Efficiency},
author = {Minjong Cheon and Eunhan Goo and Su-Hyeon Shin and Muhammad Ahmed and Hyungjun Kim},
journal= {arXiv preprint arXiv:2507.10893},
year = {2025}
}
备注
26pages, 9 Figures