Fysica-ondersteund en topologie-geïnformeerd deep learning voor weersvoorspelling

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

May 8, 2025

Auteurs: Jiaqi Zheng, Qing Ling, Yerong Feng

cs.AI

Samenvatting

Hoewel deep learning-modellen een opmerkelijk potentieel hebben getoond in weersvoorspelling, negeren de meeste ervan ofwel de fysica van de onderliggende weersontwikkeling, ofwel de topologie van het aardoppervlak. Gezien deze nadelen ontwikkelen we PASSAT, een nieuw Physics-ASSisted And Topology-informed deep learning-model voor weersvoorspelling. PASSAT schrijft de weersontwikkeling toe aan twee belangrijke factoren: (i) het advectieproces dat kan worden gekarakteriseerd door de advectievergelijking en de Navier-Stokes-vergelijking; (ii) de interactie tussen de aarde en de atmosfeer die moeilijk te modelleren en te berekenen is. PASSAT houdt ook rekening met de topologie van het aardoppervlak, in plaats van het simpelweg als een vlak te behandelen. Met deze overwegingen lost PASSAT numeriek de advectievergelijking en de Navier-Stokes-vergelijking op op het sferische oppervlak, gebruikt het een sferisch grafisch neuraal netwerk om de interactie tussen de aarde en de atmosfeer vast te leggen, en genereert het de initiële snelheidsvelden die cruciaal zijn voor het oplossen van de advectievergelijking vanuit hetzelfde sferische grafische neuraal netwerk. In de 5.625°-resolutie ERA5-dataset presteert PASSAT beter dan zowel de state-of-the-art deep learning-gebaseerde weersvoorspellingsmodellen als het operationele numerieke weersvoorspellingsmodel IFS T42. Code en checkpoint zijn beschikbaar op 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.