KARINA: An Efficient Deep Learning Model for Global Weather Forecast

基于深度学习和数据驱动的模型在气候研究中越来越流行，尤其是在全球天气预报中。然而，以高分辨率训练全球天气数据需要大量的计算资源。因此，我们提出了一种名为KARINA的新模型，以克服这个领域通常需要的大量计算需求。该模型实现了可与更高分辨率的同类模型相媲美的预测准确度，但所需计算资源显著减少，仅需要4个NVIDIA A100 GPU和不到12小时的训练时间。KARINA结合了ConvNext、SENet和Geocyclic Padding，以增强2.5度分辨率下的天气预测，从而可以滤除高频噪声。Geocyclic Padding保留了输入图像侧边界的像素，从而在球形地球上保持大气流的连续性。SENet动态改善特征响应，推进大气过程建模，特别是在垂直列过程中的众多通道。在这方面，KARINA在天气预报准确度方面设立了新的基准，超过了现有模型（如ECMWF S2S reforecasts），其超前时间长达7天。值得注意的是，即使与使用100倍更大像素的高分辨率数据训练的最近开发的模型（Pangu-Weather、GraphCast、ClimaX和FourCastNet）相比，KARINA也实现了竞争性能。总之，KARINA通过提高准确性和资源效率有效地建模地球大气层，显著推进了全球天气预报。

提高全球天气预报的准确性，同时减少计算资源的消耗。

提出了一种名为KARINA的模型，通过结合ConvNext、SENet和Geocyclic Padding等技术，以2.5°分辨率进行天气预报，并在减少计算资源消耗的同时，实现了可与高分辨率模型相媲美的预报准确性。

KARINA模型使用了ConvNext、SENet和Geocyclic Padding等技术，可以在较低的分辨率下实现高精度的天气预报，且只需要4个NVIDIA A100 GPU和不到12小时的训练时间。实验结果表明，KARINA模型在7天的预报时限内的准确性超过了ECMWF S2S reforecasts等现有模型，并且即使与使用100倍更大像素的高分辨率数据训练的最新模型（如Pangu-Weather、GraphCast、ClimaX和FourCastNet）相比，KARINA模型的表现也不逊色。论文还提供了开源代码和使用的数据集。

在该领域的相关研究包括Pangu-Weather、GraphCast、ClimaX和FourCastNet等最新模型的研究。