ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs

传统上，气候和天气预测依赖于大气物理学的复杂数值模拟。最近，深度学习方法（如变压器）通过复杂的网络预测挑战了模拟范式。然而，它们经常作为数据驱动的黑盒模型，忽略了基础物理学并缺乏不确定性量化。我们通过ClimODE解决了这些限制，这是一个时空连续过程，实现了统计力学中平流的一个关键原理，即，由于数量随时间的空间移动而导致天气变化。ClimODE使用保值动力学模拟精确的天气演变，将全球天气传输作为神经流进行学习，从而还能够估计预测的不确定性。我们的方法在全球和区域预测中优于现有的数据驱动方法，参数化小了一个数量级，树立了新的技术水平。

论文提出了ClimODE模型，旨在解决气候和天气预测中数据驱动模型的黑盒问题以及缺乏不确定性量化的问题。

ClimODE模型采用了统计力学中的平流原理，将天气变化视为数量随时间的空间移动，并通过神经流建模全球天气运输，实现了价值守恒动力学和不确定性量化。

ClimODE模型在全球和区域预测中比现有的数据驱动方法表现更好，参数化数量更小，实验使用的数据集和代码都已开源。

在这个领域中，最近的相关研究包括使用复杂数学模型进行气候和天气预测的传统方法，以及使用深度学习方法进行预测的新兴方法，如transformers。