球面等面积天气预报: PEAR
机器学习
2026-05-28 v3 大气与海洋物理
摘要
人工智能正在迅猛地改变自然科学，其中天气预报作为 AI4Science 的标志性应用，机器学习模型现在已能与甚至超越传统数值模拟。继 Pangu Weather 和 Graphcast 等里程碑式模型在全球中期预报中超越传统数值方法后，众多新颖的数据驱动方法涌现。许多这些模型的一个共同局限是依赖于球面的等角离散化，这种离散化在极地处网格密度远大于赤道附近。相比之下，等级分层等面积 iso-Latitude Pixelization (HEALPix) 的球面网格每个像素覆盖相同的表面积，消除了不物理的偏差。值得注意的是，气象学和气候科学中对该网格的支持日益增长， motivated by this, we propose to perform weather forecasting with deep learning models which natively operate on the HEALPix grid. 为此，我们引入 Pangu Equal ARea (PEAR)，一个基于 transformer 的天气预报模型，直接 operates on HEALPix features，无需计算开销即可超越等角网格上的相应模型和其他基线方法。此外，我们进行了对等效性属性的数值实验，验证了 PEAR 在气候模型仿真中的性能。
引用
@article{arxiv.2505.17720,
title = {PEAR: Equal Area Weather Forecasting on the Sphere},
author = {Hampus Linander and Tage Tykesson and Pietro Rosso and Christoffer Petersson and Daniel Persson and Jan E. Gerken},
journal= {arXiv preprint arXiv:2505.17720},
year = {2026}
}
备注
Extended version of manuscript published in the AI for Science workshop (NeurIPS 2025), 11 pages, 15 pages supplemental