Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting

要約

気象予測は不可欠ですが、従来の数値気象予測（NWP）方法では計算集中的で物理的に不完全なままです。
ディープラーニング（DL）モデルは効率と精度を提供しますが、多くの場合、物理的法則を無視し、解釈可能性と一般化を制限します。
PHYDL-NWPを提案します。これは、物理的方程式と潜在力パラメーター化をデータ駆動型モデルに統合する物理誘導性深い学習フレームワークです。
任意の空間的座標からの気象変数を予測し、自動分化を介して物理的項を計算し、物理学に基づいた損失を使用して、予測をダイナミクスと整列させます。
PHYDL-NWPは、連続関数として天候をモデル化することにより、最小限のオーバーヘッドで事前に訓練されたモデルを微調整することにより、解像度のないダウンスケーリングを可能にし、55Kパラメーターのみで最大170倍高速な推論を達成します。
実験は、PHYDL-NWPが予測パフォーマンスと身体的一貫性の両方を改善することを示しています。

要約(オリジナル)

Weather forecasting is essential but remains computationally intensive and physically incomplete in traditional numerical weather prediction (NWP) methods. Deep learning (DL) models offer efficiency and accuracy but often ignore physical laws, limiting interpretability and generalization. We propose PhyDL-NWP, a physics-guided deep learning framework that integrates physical equations with latent force parameterization into data-driven models. It predicts weather variables from arbitrary spatiotemporal coordinates, computes physical terms via automatic differentiation, and uses a physics-informed loss to align predictions with governing dynamics. PhyDL-NWP enables resolution-free downscaling by modeling weather as a continuous function and fine-tunes pre-trained models with minimal overhead, achieving up to 170x faster inference with only 55K parameters. Experiments show that PhyDL-NWP improves both forecasting performance and physical consistency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google