Kolmogorov Arnold Neural Interpolator for Downscaling and Correcting Meteorological Fields from In-Situ Observations

要約

マルチスケールの連続的な大気特性とその離散的なグリッド表現の間の不一致から生じる体系的なバイアスのため、観測点の場所で正確な天気予報を取得することは重要な課題です。
これまでの研究は主にグリッド気象データのモデル化に焦点を当てており、本質的に大気状態のオフグリッドで連続的な性質を無視しており、そのようなバイアスは未解決のまま残されていました。
これに対処するために、我々は気象場の表現を離散化されたグリッドから導出される連続ニューラル関数として再定義する新しいフレームワークである Kolmogorov Arnold Neural Interpolator (KANI) を提案します。
KANI はコルモゴロフ アーノルドの定理に基づいて、大気状態の固有の連続性を捉え、まばらな現場観測を活用してこれらのバイアスを体系的に修正します。
さらに、KANI は、監視に高解像度の気象フィールドを必要とせず、高解像度の地形テクスチャによってガイドされる革新的なゼロショット ダウンスケーリング機能を導入します。
米国本土の 3 つのサブ地域にわたる実験結果では、KANI が気温については 40.28%、風速に関しては 67.41% の精度向上を達成したことが示されており、従来の内挿法と比較して大幅な改善が見られることが強調されています。
これにより、従来のグリッドベースの表現の制限を超えて、ニューラル ネットワークを介した気象変数の連続的なニューラル表現が可能になります。

要約(オリジナル)

Obtaining accurate weather forecasts at station locations is a critical challenge due to systematic biases arising from the mismatch between multi-scale, continuous atmospheric characteristic and their discrete, gridded representations. Previous works have primarily focused on modeling gridded meteorological data, inherently neglecting the off-grid, continuous nature of atmospheric states and leaving such biases unresolved. To address this, we propose the Kolmogorov Arnold Neural Interpolator (KANI), a novel framework that redefines meteorological field representation as continuous neural functions derived from discretized grids. Grounded in the Kolmogorov Arnold theorem, KANI captures the inherent continuity of atmospheric states and leverages sparse in-situ observations to correct these biases systematically. Furthermore, KANI introduces an innovative zero-shot downscaling capability, guided by high-resolution topographic textures without requiring high-resolution meteorological fields for supervision. Experimental results across three sub-regions of the continental United States indicate that KANI achieves an accuracy improvement of 40.28% for temperature and 67.41% for wind speed, highlighting its significant improvement over traditional interpolation methods. This enables continuous neural representation of meteorological variables through neural networks, transcending the limitations of conventional grid-based representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google