将气象数据从像素空间转换至潜在空间

气候变化和极端天气事件日益增加的影响激发了人们对气象研究中深度学习的浓厚兴趣。然而，现有研究通常依赖于像素空间中的气象数据，这带来了诸多挑战，例如模型输出中的平滑输出、对单一气压变量子集（PVS）的有限适用性，以及高昂的数据存储和计算成本。为了应对这些挑战，我们提出了一种新颖的气象潜在自编码器（WLA），将气象数据从像素空间转换至潜在空间，从而实现高效的气象任务建模。通过将气象重建与下游任务解耦，WLA 提高了气象任务模型结果的准确性和清晰度。所引入的气压变量统一模块将多个 PVS 转换为统一表示，增强了模型在多种气象场景下的适应性。此外，气象任务可以在 WLA 的低存储潜在空间而非高存储像素空间中执行，从而显著降低数据存储和计算成本。通过广泛的实验，我们展示了其卓越的压缩和重建性能，从而利用 ERA5 数据中多个 PVS 的统一表示创建了 ERA5-latent 数据集。ERA5-latent 数据集中压缩后的完整 PVS 将原始的 244.34 TB 数据缩减至 0.43 TB。下游任务进一步表明，任务模型可以在潜在空间中以低数据成本应用于多个 PVS，并取得优于像素空间模型的性能。代码、ERA5-latent 数据和预训练模型可在 https://anonymous.4open.science/r/Weather-Latent-Autoencoder-8467 获取。