Multi-modal graph neural networks for localized off-grid weather forecasting

像野火管理和可再生能源发电这样的紧急应用需要精确的、局部的地表附近天气预报。然而，目前来自机器学习或数值天气模型的天气预报产品是在全球规则网格上生成的，在这种网格上，简单的插值无法准确反映接近地面的精细天气模式。在这项工作中，我们训练了一个异构图神经网络（GNN），端到端地将网格化预报降尺度到非网格的兴趣位置。这个多模态GNN利用了本地的历史天气观测数据（例如风速、温度）来校正不同预报时效的网格化天气预报，使其更加符合本地实际情况。每种数据模态在图中被建模为不同类型的节点。通过消息传递，预测位置的节点会聚合其异构邻居节点的信息。使用美国东北部的气象站进行的实验表明，我们的模型优于一系列数据驱动和非数据驱动的非网格预报方法。我们的方法展示了如何弥合全球大规模天气模型与局部精准预报之间的差距，以支持局部决策。

该论文旨在解决全球天气预报模型与局部精确天气预测之间的差距问题。目前，机器学习和数值天气模型生成的天气预报是在全球规则网格上进行的，而直接插值到局部位置无法准确反映地面附近的细粒度天气模式。这是一个重要的问题，尤其是在需要精确局部天气预报的应用场景中，如野火管理和可再生能源发电。

论文提出了一种异构图神经网络（GNN）的方法，用于将全球网格化的天气预报下放到非网格位置。该方法利用局部历史天气观测数据（如风速、温度等），通过多模态节点建模和消息传递机制，将不同时间尺度的网格化预报修正为局部准确的预报。这一方法的关键在于利用图神经网络的结构优势，聚合不同类型的节点信息，以提高局部预报的准确性。

1. 该研究在东北部美国的多个气象站进行了实验，证明了所提方法优于多种数据驱动和非数据驱动的离格预报方法。 2. 研究使用了实际的历史天气数据，验证了模型的有效性。 3. 论文提供了详细的实验设计，包括数据集的描述和评估指标的选择。 4. 模型具有较好的泛化能力，可以应用于其他需要局部精确天气预报的场景。 5. 作者表示未来计划开源代码，以便其他研究人员复现和改进。

1. "Deep Learning for Weather Forecasting: A Survey" - 这篇综述文章全面介绍了深度学习在天气预报中的应用。 2. "A Graph Neural Network Approach for Spatiotemporal Traffic Forecasting" - 虽然重点是交通预测，但其图神经网络方法与本文有相似之处。 3. "Downscaling Global Climate Models with Deep Convolutional Generative Adversarial Networks" - 探讨了使用深度卷积生成对抗网络进行气候模型降尺度的方法。 4. "Fusing Heterogeneous Data Sources for Improved Weather Forecasting" - 研究了如何融合多种数据源以提高天气预报的准确性。