基于大核注意力卷积网络的中程全球天气预报：普云
机器学习
2024-09-13 v2 人工智能
大气与海洋物理
摘要
准确的天气预报对于理解和减轻天气相关影响至关重要。本文提出一种名为 PuYun 的自回归级联模型，利用大核注意力卷积网络。该模型的设计本质上支持更长的天气预测时程，同时扩大有效感受野。将大核注意力机制集成到卷积层中可增强模型捕捉细粒度空间细节的能力，从而提高其对气象现象的预测准确性。我们引入 PuYun，包括用于 0-5 天预报的 PuYun-Short 和用于 5-10 天预测的 PuYun-Medium。该方法提升了 10 天天气预报的准确性。评估结果表明，PuYun-Short 单独使用即可超越 GraphCast 和 FuXi-Short 在生成准确 10 天预报方面的性能。在第 10 天，PuYun-Short 对 Z500 的 RMSE 降至 720 ，相较于 GraphCast 的 732 和 FuXi-Short 的 740 。此外，对 T2M 的 RMSE 降至 2.60 K，相较于 GraphCast 的 2.63 K 和 FuXi-Short 的 2.65 K。进一步采用级联方法整合 PuYun-Short 和 PuYun-Medium，可实现优于 FuXi-Short 和 FuXi-Medium 组合性能的更好结果。在第 10 天，对 Z500 的 RMSE 降至 638 ，显著优于 FuXi 的 641 。这些发现凸显了该模型集成在推进中程天气预报方面的有效性。我们的训练代码和模型将开源。
引用
@article{arxiv.2409.02123,
title = {PuYun: Medium-Range Global Weather Forecasting Using Large Kernel Attention Convolutional Networks},
author = {Shengchen Zhu and Yiming Chen and Peiying Yu and Xiang Qu and Yuxiao Zhou and Yiming Ma and Zhizhan Zhao and Yukai Liu and Hao Mi and Bin Wang},
journal= {arXiv preprint arXiv:2409.02123},
year = {2024}
}