Aprendizado Profundo Assistido por Física e Informado por Topologia para Previsão do Tempo

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

May 8, 2025

Autores: Jiaqi Zheng, Qing Ling, Yerong Feng

cs.AI

Resumo

Embora os modelos de aprendizado profundo tenham demonstrado um potencial notável na previsão do tempo, a maioria deles negligencia tanto a física da evolução subjacente do clima quanto a topologia da superfície da Terra. Diante dessas desvantagens, desenvolvemos o PASSAT, um novo modelo de aprendizado profundo assistido por física e informado pela topologia para previsão do tempo. O PASSAT atribui a evolução do clima a dois fatores principais: (i) o processo de advecção, que pode ser caracterizado pela equação de advecção e pela equação de Navier-Stokes; (ii) a interação Terra-atmosfera, que é difícil de modelar e calcular. O PASSAT também leva em consideração a topologia da superfície da Terra, em vez de simplesmente tratá-la como um plano. Com essas considerações, o PASSAT resolve numericamente a equação de advecção e a equação de Navier-Stokes na variedade esférica, utiliza uma rede neural esférica em grafos para capturar a interação Terra-atmosfera e gera os campos de velocidade inicial, que são críticos para resolver a equação de advecção, a partir da mesma rede neural esférica em grafos. No conjunto de dados ERA5 com resolução de 5,625^circ, o PASSAT supera tanto os modelos de previsão do tempo baseados em aprendizado profundo de última geração quanto o modelo operacional de previsão numérica do tempo IFS T42. O código e o checkpoint estão disponíveis em 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.