11:14官方账号arXiv cs.LG@M. L. Carroll, J. Li, S. D. Guzewich, G. Villanueva, J. A. Caraballo-Vega, M. J. Frost研究者将地球天气基础模型GraphCast迁移到火星,使用火星气候数据库(MCD)训练,评估其对火星温度和风场的预测能力。零样本预测能大致还原当前状态,但无法捕捉昼夜变化,且会快速退化为气候均值。微调后模型在10个训练周期内学会火星热力变化,可预报10天内的季节和垂直温度结构。预测质量随训练样本增加而提升,并对季节初始化敏感。论文GraphCastMarsCast火星推荐理由:谷歌的天气模型GraphCast被拿去预报火星天气了,微调10轮就能预测10天火星温度,未来能帮火星任务避沙尘暴。原文稍后读已读值得跟进有用关注 GraphCast
11:06官方账号arXiv cs.LG@Cas Decancq, Thomas Mortier, Jessica Keune, Diego G. MirallesarXiv论文评估了Pangu-Weather、FuXi、ArchesWeather、AIFS、GraphCast和Aurora六种深度学习天气仿真器,在10-15天超前时间下预测全球近地表温度和极端高温的表现。结果显示多个仿真器在确定性温度技能上媲美甚至超过物理模型,但存在频谱模糊问题。所有模型对极端高温都有一定预测技能,但多数低估峰值强度,IFS的召回率高于所有仿真器。研究凸显AI提升延伸期温度预测的潜力,也指出可靠预警的挑战。论文Pangu-WeatherFuXiGraphCast推荐理由:这篇论文把六个AI天气模型和传统模型放在一起比了10-15天的高温预报,发现AI能追平但会糊掉极端值,搞气象预测的值得看看。原文稍后读已读值得跟进有用关注 Pangu-Weather
09:55官方账号arXiv cs.LG@George Craig, Tobias Selz, Matthias Beylich, Kirsten I. Tempest精选这篇论文探讨了AI天气模型是否隐含地求解了物理方程,尽管这些方程可能不同于传统数值天气预报(NWP)模型所用的方程。通过计算预报技能与中心核对齐的相关性,作者发现不同架构和容量的AI天气模型以相似方式表征大气。他们提出,AI模型的架构和训练约束了其可能模拟的物理定律形式,具体而言,模型实现了一种粒子描述,其中每个网格点的潜变量对应高维潜空间中粒子的位置,粒子运动遵循梯度流,趋向于学习到的自由能泛函的最小值。对GraphCast和Aurora模型的分析支持了这一假说:早期处理层在大空间尺度上做出改变,随着层数加深逐渐转向小尺度。论文AI天气模型物理方程梯度流假说推荐理由:这篇论文揭示了AI天气模型可能隐含的物理机制,对气象AI研究者、数值天气预报开发者以及关注AI可解释性的学者来说,是理解模型内在工作原理的关键进展,值得深入阅读。原文稍后读已读值得跟进有用关注 AI天气模型