Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling

数据驱动的人工智能模型在天气预报方面取得了重大进展，特别是在中期和现在预报方面。然而，大多数数据驱动的天气预报模型是黑盒子系统，重点是学习数据映射，而不是时间维度中的细粒度物理演化。因此，数据集时间尺度的限制阻止了这些模型在更细的时间尺度上进行预测。本文提出了一种物理-人工智能混合模型（即WeatherGFT），将天气预报推广到超出训练数据集的更细时间尺度。具体而言，我们采用精心设计的PDE内核模拟小时间尺度（例如300秒）上的物理演化，并使用具有可学习路由器的并行神经网络进行偏差校正。此外，我们引入了一个先导时间感知的训练框架，以促进模型在不同先导时间下的泛化。物理-人工智能模块的权重分析表明，物理学进行了主要演化，而人工智能则进行了自适应校正。广泛的实验表明，WeatherGFT在每小时数据集上训练，实现了多个先导时间的最先进性能，并展示了推广30分钟预测的能力。

提出一种物理-AI混合模型（WeatherGFT），以解决数据驱动的天气预报模型在时间尺度上的限制，特别是无法进行更细的时间尺度的预报。

使用PDE核心模拟物理演化，使用并行神经网络进行偏差校正，引入先导时间感知训练框架以提高模型在不同先导时间下的泛化能力。

实验结果表明，WeatherGFT在小时级数据集上训练，可以在多个先导时间下实现最先进的性能，并且具有30分钟预报的泛化能力。

最近的相关研究包括：基于数据驱动的天气预报模型和物理模型，以及将两者结合的混合模型。