调制自适应傅里叶神经算子用于天气预报的时间插值

天气和气候数据通常以有限的时间分辨率提供，可能是由于存储限制，或是基于深度学习的天气预报模型其固有的时间步长过大。粗糙的时间分辨率使得捕捉快速演化的天气事件变得困难。为解决这一限制，我们引入一种插值模型，用于重建已知两个时间点之间的大气状态。该模型利用一种新颖的网络层来修改自适应傅里叶神经算子（AFNO），后者之前被用于天气预测和其他机器学习应用中以解决物理问题。调制AFNO（ModAFNO）层以一种嵌入向量作为额外输入，此嵌入向量基于插值目标时间计算得出，并在AFNO层内部应用一种学习到的偏移-缩放操作，以适应目标时间。因此，仅需一个模型即可生成所有中间时间步。训练用于在相隔6小时的两个时间步之间进行插值，基于ModAFNO的插值模型生成1小时分辨率的中间时间步，这些结果在视觉上几乎与实际对应的1小时分辨率数据几乎无法区分。该模型在重建中间步骤方面的RMSE损失降低了约50%。我们还展示了其复现极端天气事件（如飓风和热浪）统计特性的能力，这些能力优于6小时分辨率数据。ModAFNO层是通用的，预计适用于其他问题，包括具有可调前瞻时间的天气预报。