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显著进展，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都是黑盒子系统，侧重于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碍了这些模型在更细的时间尺度上进行预报。本文提出了一种物理-AI混合模型（即WeatherGFT），可以将天气预报推广到超出训练数据集的更细时间尺度。具体来说，我们采用精心设计的PDE核来模拟小时间尺度（例如300秒）上的物理演化，并使用带有可学习路由器的并行神经网络进行偏差校正。此外，我们引入了一个提高模型在不同前导时间下推广能力的前导时间感知训练框架。物理-AI模块的重量分析表明，物理学进行了主要演化，而AI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，跨多个前导时间实现了最先进的性能，并展示了推广30分钟预报的能力。

论文提出了一个名为WeatherGFT的物理-AI混合模型，旨在解决现有数据驱动天气预报模型在时间尺度上的限制问题。

WeatherGFT采用PDE核来模拟物理演化，使用并行神经网络进行偏差校正，并引入了先导时间感知的训练框架来提高模型在不同先导时间下的泛化能力。

论文的实验结果表明，WeatherGFT在多个先导时间下均取得了最先进的性能，并且具有将预测时间精细化到30分钟的能力。此外，论文还介绍了物理和AI模块的权重分析结果，并探讨了模型的可解释性。

最近的相关研究包括使用深度学习模型进行天气预报的研究，如DeepWeather、DeepSD等。