Apprentissage profond assisté par la physique et informé par la topologie pour la prévision météorologique

Physics-Assisted and Topology-Informed Deep Learning for Weather Prediction

May 8, 2025

Auteurs: Jiaqi Zheng, Qing Ling, Yerong Feng

cs.AI

Résumé

Bien que les modèles d'apprentissage profond aient démontré un potentiel remarquable dans la prévision météorologique, la plupart d'entre eux négligent soit la physique de l'évolution météorologique sous-jacente, soit la topographie de la surface terrestre. Face à ces inconvénients, nous développons PASSAT, un nouveau modèle d'apprentissage profond assisté par la physique et informé par la topographie pour la prévision météorologique. PASSAT attribue l'évolution météorologique à deux facteurs clés : (i) le processus d'advection qui peut être caractérisé par l'équation d'advection et les équations de Navier-Stokes ; (ii) l'interaction Terre-atmosphère qui est difficile à modéliser et à calculer. PASSAT prend également en compte la topographie de la surface terrestre, au lieu de la traiter simplement comme un plan. Avec ces considérations, PASSAT résout numériquement l'équation d'advection et les équations de Navier-Stokes sur la variété sphérique, utilise un réseau de neurones graphiques sphériques pour capturer l'interaction Terre-atmosphère, et génère les champs de vitesse initiaux, essentiels pour résoudre l'équation d'advection, à partir du même réseau de neurones graphiques sphériques. Sur le jeu de données ERA5 à une résolution de 5,625 degrés, PASSAT surpasse à la fois les modèles de prévision météorologique basés sur l'apprentissage profond les plus avancés et le modèle opérationnel de prévision numérique du temps IFS T42. Le code et les points de contrôle sont disponibles à l'adresse suivante : https://github.com/Yumenomae/PASSAT_5p625.

English

Although deep learning models have demonstrated remarkable potential in weather prediction, most of them overlook either the physics of the underlying weather evolution or the topology of the Earth's surface. In light of these disadvantages, we develop PASSAT, a novel Physics-ASSisted And Topology-informed deep learning model for weather prediction. PASSAT attributes the weather evolution to two key factors: (i) the advection process that can be characterized by the advection equation and the Navier-Stokes equation; (ii) the Earth-atmosphere interaction that is difficult to both model and calculate. PASSAT also takes the topology of the Earth's surface into consideration, other than simply treating it as a plane. With these considerations, PASSAT numerically solves the advection equation and the Navier-Stokes equation on the spherical manifold, utilizes a spherical graph neural network to capture the Earth-atmosphere interaction, and generates the initial velocity fields that are critical to solving the advection equation from the same spherical graph neural network. In the 5.625^circ-resolution ERA5 data set, PASSAT outperforms both the state-of-the-art deep learning-based weather prediction models and the operational numerical weather prediction model IFS T42. Code and checkpoint are available at https://github.com/Yumenomae/PASSAT_5p625.