通过全局与区域耦合实现千米尺度地区天气预测
机器学习
2026-03-31 v1 人工智能
摘要
数据驱动的天气模型已取得全球中期预测的进展，但高分辨率区域预测仍面临由大尺度动力学与小尺度过程（如地形诱导的气流和沿海效应）之间未解析尺度相互作用导致的挑战。本文提出一种基于 Transformer 全局模型与高分辨率区域网络通过 novel bidirectional coupling 模块 ScaleMixer 进行耦合的全球-区域耦合框架，用于千米尺度地区天气预测。ScaleMixer 通过自适应 key-position 采样动态识别气象学关键区域，并通过专用注意力机制实现跨尺度特征交互。该框架在中国实现 （）分辨率和 1 小时时长的预测，显著优于操作性 NWP 和 AI 基准，在网格化再分析数据和实时气象站观测数据上均表现出色。它在捕捉如山地气流和佩恩效应等细粒度现象方面展现出卓越的能力，显示出与高分辨率数据相容的全局尺度一致性。代码已在 https://anonymous.4open.science/r/ScaleMixer-6B66 上提供。
引用
@article{arxiv.2603.28173,
title = {Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling},
author = {Weiqi Chen and Wenwei Wang and Qilong Yuan and Lefei Shen and Bingqing Peng and Jiawei Chen and Bo Wu and Liang Sun},
journal= {arXiv preprint arXiv:2603.28173},
year = {2026}
}