Apprendimento Profondo Assistito dalla Fisica e Informato dalla Topologia per la Previsione Meteorologica

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

May 8, 2025

Autori: Jiaqi Zheng, Qing Ling, Yerong Feng

cs.AI

Abstract

Sebbene i modelli di deep learning abbiano dimostrato un potenziale notevole nella previsione meteorologica, la maggior parte di essi trascura sia la fisica dell'evoluzione meteorologica sottostante che la topologia della superficie terrestre. Alla luce di questi svantaggi, abbiamo sviluppato PASSAT, un nuovo modello di deep learning assistito dalla fisica e informato dalla topologia per la previsione meteorologica. PASSAT attribuisce l'evoluzione meteorologica a due fattori chiave: (i) il processo di avvezione che può essere caratterizzato dall'equazione di avvezione e dalle equazioni di Navier-Stokes; (ii) l'interazione Terra-atmosfera che è difficile sia da modellare che da calcolare. PASSAT tiene inoltre in considerazione la topologia della superficie terrestre, anziché trattarla semplicemente come un piano. Con queste considerazioni, PASSAT risolve numericamente l'equazione di avvezione e le equazioni di Navier-Stokes sulla varietà sferica, utilizza una rete neurale grafica sferica per catturare l'interazione Terra-atmosfera e genera i campi di velocità iniziali, cruciali per risolvere l'equazione di avvezione, dalla stessa rete neurale grafica sferica. Nel dataset ERA5 a risoluzione di 5.625^circ, PASSAT supera sia i modelli di previsione meteorologica basati su deep learning all'avanguardia che il modello operativo di previsione numerica del tempo IFS T42. Il codice e i checkpoint sono disponibili all'indirizzo 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.