Physics-Assisted and Topology-Informed Deep Learning for Weather Prediction
Created by
Haebom
저자
Jiaqi Zheng, Qing Ling, Yerong Feng
개요
PASSAT은 물리학 및 지구 표면의 위상을 고려한 새로운 심층 학습 기반 기상 예측 모델입니다. 기상 변화를 (i) 이류 방정식과 나비어-스톡스 방정식으로 특징지을 수 있는 이류 과정과 (ii) 모델링 및 계산이 어려운 지구-대기 상호 작용이라는 두 가지 주요 요소로 설명합니다. 구면 다양체 상에서 이류 방정식과 나비어-스톡스 방정식을 수치적으로 풀고, 구면 그래프 신경망을 사용하여 지구-대기 상호 작용을 포착하며, 동일한 구면 그래프 신경망으로부터 이류 방정식을 푸는 데 중요한 초기 속도장을 생성합니다. $5.625^\circ$-해상도 ERA5 데이터 세트에서 기존 최고 성능의 심층 학습 기반 기상 예측 모델 및 운영 수치 기상 예측 모델 IFS T42를 능가하는 성능을 보입니다. 코드와 체크포인트는 https://github.com/Yumenomae/PASSAT_5p625 에서 확인할 수 있습니다.
시사점: 기존 심층 학습 기반 기상 예측 모델의 한계점인 물리학 및 지구 표면 위상을 고려하여 예측 정확도를 향상시켰습니다. 구면 그래프 신경망을 활용하여 지구-대기 상호작용을 효과적으로 모델링했습니다. $5.625^\circ$-해상도 ERA5 데이터셋에서 기존 최고 성능 모델들을 능가하는 결과를 제시했습니다.
•
한계점: 논문에서는 특정 해상도(5.625°)의 데이터셋에 대한 결과만 제시하여 일반화 성능에 대한 검증이 부족합니다. 다양한 해상도 및 데이터셋에 대한 추가적인 실험이 필요합니다. 지구-대기 상호작용의 모델링에 대한 자세한 설명이 부족합니다. 더욱 복잡한 기상 현상에 대한 예측 성능 평가가 필요합니다.
