神经算子在零样本天气降尺度中的有效性研究
计算工程、金融与科学
2025-04-02 v2
摘要
机器学习 (ML) 方法在天气降尺度方面展现出巨大潜力。与基于物理的数值模拟相比，这些数据驱动的方法为生成高分辨率天气数据集和预报提供了更高效的替代方案。神经算子学习一族偏微分方程 (PDE) 的解算子，在涉及物理驱动数据集的科学 ML 应用中取得了巨大成功。神经算子具有网格分辨率不变性，通常在比训练时更高的网格分辨率上进行评估，即零样本超分辨率。鉴于其在动力系统模拟中极具前景的零样本超分辨率性能，我们对其零样本天气降尺度能力进行了批判性研究，即模型被要求使用比训练期间所见更高的上采样因子来生成高分辨率输出的情况。为此，我们创建了两个具有挑战性上采样因子（例如 8x 和 15x）的真实降尺度实验，使用了来自不同模拟的数据：欧洲中期天气预报中心再分析版本 5 (ERA5) 和风能整合国家数据集工具包 (WTK)。虽然基于神经算子的降尺度模型优于插值和简单的卷积基线，但我们展示了一种将强大的基于 Transformer 的模型与无参数插值相结合的方法在零样本天气降尺度中的惊人性能。我们发现，这种基于 Swin-Transformer 的方法在平均误差指标方面总体优于具有神经算子层的模型，而基于增强超分辨率生成对抗网络 (ESRGAN) 的方法在捕捉真实数据的物理特性方面优于大多数模型。我们建议在未来的工作中将它们作为强基线使用。
引用
@article{arxiv.2409.13955,
title = {On the Effectiveness of Neural Operators at Zero-Shot Weather Downscaling},
author = {Saumya Sinha and Brandon Benton and Patrick Emami},
journal= {arXiv preprint arXiv:2409.13955},
year = {2025}
}