基于椭球网格的多分辨率图神经 forecasting：用于高效区域气象预测的 MR-GNF
机器学习
2026-03-17 v1 人工智能
摘要
气象预测为人工智能（AI）学习复杂多尺度物理系统提供了理想的测试平台。传统数值气象预测因高分辨率嵌套需要强大的边界耦合，导致计算成本高昂，难以进行频繁的区域更新。我们引入多分辨率图神经预测（MR-GNF），这是一种轻量级、物理感知的模型，可直接在地球的椭球形、多尺度图上执行短期区域预测。该框架将感兴趣区域与 0.25 度连接，结合 0.5 度的背景带和 1.0 度的外部域，实现无显式嵌套边界的连续跨尺度消息传递。其轴向图注意力网络在压力层级之间交替进行垂直自注意力，在表面节点之间进行水平图注意力，仅通过 1.6M 参数捕获隐式三维结构。基于 1980-2024 年的 40 年 ERA5 再分析数据训练，MR-GNF 为英国-爱尔兰地区的近表面温度、风速和降水提供稳定的 +6 小时至 +24 小时预测。尽管总计算成本仅为单张 RTX 6000 Ada 显卡上 80 小时 GPU-hours，模型仍然与更重的区域性 AI 系统相当或更好，同时在尺度之间保持物理一致性。这些结果表明，图基神经算子可实现可靠的高分辨率气象预测，成本远低于数值天气预报，为 AI 驱动的早期预警和可再生能源预测系统开辟了实际路径。项目页面和代码：https://github.com/AndriiShchur/MR-GNF
引用
@article{arxiv.2603.13563,
title = {MR-GNF: Multi-Resolution Graph Neural Forecasting on Ellipsoidal Meshes for Efficient Regional Weather Prediction},
author = {Andrii Shchur and Inna Skarga-Bandurova},
journal= {arXiv preprint arXiv:2603.13563},
year = {2026}
}
备注
Accepted to the AAAI2026 workshop on AI for Environmental Science (AAAI2026 AI4ES). Discussion version available on OpenReview. Code available at https://github.com/AndriiShchur/MR-GNF