Физически-ассистированное и топологически-информированное глубокое обучение для прогнозирования погоды

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

May 8, 2025

Авторы: Jiaqi Zheng, Qing Ling, Yerong Feng

cs.AI

Аннотация

Хотя модели глубокого обучения продемонстрировали впечатляющий потенциал в прогнозировании погоды, большинство из них игнорируют либо физику, лежащую в основе эволюции погоды, либо топографию поверхности Земли. Учитывая эти недостатки, мы разработали PASSAT — новую модель глубокого обучения, учитывающую физику и топографию, для прогнозирования погоды. PASSAT связывает эволюцию погоды с двумя ключевыми факторами: (i) процессом адвекции, который может быть описан уравнением адвекции и уравнениями Навье-Стокса; (ii) взаимодействием Земли и атмосферы, которое сложно как моделировать, так и вычислять. PASSAT также учитывает топографию поверхности Земли, вместо того чтобы рассматривать её просто как плоскость. С учётом этих аспектов PASSAT численно решает уравнение адвекции и уравнения Навье-Стокса на сферическом многообразии, использует сферическую графовую нейронную сеть для моделирования взаимодействия Земли и атмосферы и генерирует начальные поля скоростей, необходимые для решения уравнения адвекции, с помощью той же сферической графовой нейронной сети. На наборе данных ERA5 с разрешением 5,625° PASSAT превосходит как современные модели прогнозирования погоды на основе глубокого обучения, так и оперативную модель численного прогнозирования погоды IFS T42. Код и контрольные точки доступны по адресу 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.