FastNet 机器学习天气预测模型 1.0 技术概述与体系结构
大气与海洋物理
2025-10-06 v2
摘要
我们介绍 FastNet 1.0，这是一个基于图神经网络体系结构的数据驱动中程数值天气预报(NWP)模型，由Alan Turing Institute 和 Met Office 共同开发。FastNet 使用 encode-process-decode 结构，对10天后的全球确定性天气预测进行生产。该体系结构独立于空间分辨率，我们在 1 度和 0.25 度分辨率上训练了模型，时间步长为6小时。FastNet 使用处理器中的多层网格，能够捕捉大气空间结构中的短程和长程模式。该模型在 ECMWF 的 ERA5 再分析数据上进行预训练，然后在额外的自回归推送步骤上进行微调，提高了更长时间范围内的准确性。我们在 1.5 度分辨率下评估了该模型使用 2022 年作为保留年份，并与 Met Office 全球模型进行比较，发现 FastNet 在多个数值变量上的各种评估指标方面优于当前的 Met Office 全球模型 NWP 系统。我们的结果表明，我们的 1 度和 0.25 度 FastNet 模型都优于当前的全球模型，并产生预测技能接近其他在 0.25 度 ERA5 上训练的数据驱动模型的结果。
引用
@article{arxiv.2509.17658,
title = {Technical overview and architecture of the FastNet Machine Learning weather prediction model, version 1.0},
author = {Eric G. Daub and Tom Dunstan and Thusal Bennett and Matthew Burnand and James Chappell and Alejandro Coca-Castro and Noushin Eftekhari and J. Scott Hosking and Manvendra Janmaijaya and Jon Lillis and David Salvador-Jasin and Nathan Simpson and Oliver T Strickson and Ryan Sze-Yin Chan and Mohamad Elmasri and Lydia Allegranza France and Sam Madge and Aled Owen and James Robinson and Adam A. Scaife and David Walters and Peter Yatsyshin and Theo McCaie and Levan Bokeria and Hannah Brown and Tom Dodds and David Llewellyn-Jones and Sophia Moreton and Tom Potter and Iain Stenson and Louisa van Zeeland and Karina Bett-Williams and Kirstine Ida Dale},
journal= {arXiv preprint arXiv:2509.17658},
year = {2025}
}