面向时空天气数据的标度律分析
机器学习
2026-04-08 v1
摘要
计算最优的标度律在 NLP 和 CV 领域已有相对充分的研究，其中目标通常是单步的，目标变量也相对同质。天气预测在相同框架下更难刻画：自回归展开在长时间范围内累积误差，输出耦合许多具有不同尺度和可预测性的物理通道，且全局汇总的测试指标可能与短范围训练所隐含的逐通道、晚期预报行为存在显著差异。我们将神经标度分析从单步训练损失扩展到长时间展开和逐通道指标。我们量化了：(1) 预测误差如何在通道间分布及其增长率如何随预报范围演变；(2) 当误差全局汇总时，测试误差相对于展开长度是否满足幂律标度；(3) 该拟合如何随范围和通道在参数、数据和计算基标度轴上联合变化。我们发现强烈的跨通道和跨范围异质性：汇总标度可能看起来有利，而许多通道在晚期预报中退化。我们讨论了加权目标、范围感知课程和跨输出资源分配的影响。
引用
@article{arxiv.2604.05068,
title = {Towards Scaling Law Analysis For Spatiotemporal Weather Data},
author = {Alexander Kiefer and Prasanna Balaprakash and Xiao Wang},
journal= {arXiv preprint arXiv:2604.05068},
year = {2026}
}
备注
9 pages, 6 figures, High Performance Computing for Imaging 2026