MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling

要約

異常気象と地球温暖化が頻繁に起こる時代において、正確で詳細な地表付近の天気予報を取得することは、人間の活動にとってますます重要になっています。
気象予測において重要なタスクであるダウンスケーリング（DS）により、地球規模の予測結果から対象地域の高解像度の気象状態を再構成できます。
CNN および Transformer ベースの超解像度モデルからインスピレーションを得た以前のダウンスケーリング手法は、気象学に合わせた設計が不足しており、構造上の限界に直面していました。
注目すべき点は、ダウンスケーリングプロセスにおける重要な事前条件である地形を効率的に統合できなかったことです。
この論文では、選択的状態空間モデルを気象分野のダウンスケーリングに先駆けて導入することでこれらの制限に対処し、MambaDS と呼ばれる新しいモデルを提案します。
このモデルは、長距離依存関係モデリングと線形計算の複雑さにおける Mamba の利点を維持しながら、ダウンスケーリング プロセスにおける特有の課題である多変数相関と地形情報の利用を強化します。
中国本土と米国本土 (CONUS) の両方での大規模な実験を通じて、私たちが提案した MambaDS が 3 つの異なるタイプの気象場のダウンスケーリング設定で最先端の結果を達成することを検証しました。
追ってコードを公開していきます。

要約(オリジナル)

In an era of frequent extreme weather and global warming, obtaining precise, fine-grained near-surface weather forecasts is increasingly essential for human activities. Downscaling (DS), a crucial task in meteorological forecasting, enables the reconstruction of high-resolution meteorological states for target regions from global-scale forecast results. Previous downscaling methods, inspired by CNN and Transformer-based super-resolution models, lacked tailored designs for meteorology and encountered structural limitations. Notably, they failed to efficiently integrate topography, a crucial prior in the downscaling process. In this paper, we address these limitations by pioneering the selective state space model into the meteorological field downscaling and propose a novel model called MambaDS. This model enhances the utilization of multivariable correlations and topography information, unique challenges in the downscaling process while retaining the advantages of Mamba in long-range dependency modeling and linear computational complexity. Through extensive experiments in both China mainland and the continental United States (CONUS), we validated that our proposed MambaDS achieves state-of-the-art results in three different types of meteorological field downscaling settings. We will release the code subsequently.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google