Pangu-Weather：一种用于快速准确全球天气预报的三维高分辨率模型

在本文中，我们提出 Pangu-Weather，一个基于深度学习的快速准确全球天气预报系统。为此，我们通过从 ECMWF 第五代再分析（ERA5）数据下载 $43$ 年的每小时全球气象数据来建立数据驱动环境，并训练数个总计约 $256$ 百万参数的深度神经网络。预报的空间分辨率为 $0.25^\circ\times0.25^\circ$，可与 ECMWF 综合预报系统（IFS）相媲美。更重要的是，基于 AI 的方法首次在所有因子（如位势、比湿、风速、温度等）和所有时间范围（从一小时到一周）的精度（纬度加权 RMSE 和 ACC）上超越最先进的数值天气预报（NWP）方法。有两个关键策略可提高预测精度：（i）设计三维地球专用 Transformer（3DEST）架构，将高度（气压层）信息构建为立方体数据；（ii）应用分层时间聚合算法以缓解累积预报误差。在确定性预报中，Pangu-Weather 在短中期预报（即预报时间范围从一小时到一周）表现出巨大优势。Pangu-Weather 支持广泛的下游预报场景，包括极端天气预报（如热带气旋追踪）和实时大成员集合预报。Pangu-Weather 不仅终结了关于基于 AI 的方法能否超越传统 NWP 方法的争论，还揭示了改进深度学习天气预报系统的新方向。