UniExtreme：面向极端天气预报的通用基础模型

近期深度学习技术的进展导致开发了用于天气预报的基础模型（FMs），但其在预测极端天气事件方面的能力仍受限。现有方法要么专注于一般天气状况，要么仅针对特定类型的极端事件，忽视了多样化极端事件在现实大气中的真实模式。在本工作中，我们识别了极端事件的两个关键特征：（1）相对于正常天气 regime 的谱系差异，（2）多样化极端事件的分层驱动因素和地理混合。基于此，我们提出了 UniExtreme，一个通用的极端天气预报基础模型，通过（1）自适应频率调制（AFM）模块通过可学习的 Beta 分布滤波器和多尺度谱系聚合捕捉正常天气与极端天气之间的区域性谱系差异，以及（2）事件先验增强（EPA）模块通过双层记忆融合网络纳入区域特定的极端事件先验，以解决分层的极端多样性和复合极端模式。广泛的实验表明，UniExtreme 在极端和一般天气预报方面均优于当前最先进的基线模型，展示了在多样化极端情景下的卓越适应性。