站点天气预报新突破！StationPDE用PDE学习让MSE狂降9.6%
StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting
📖 AI 总结
本文提出StationPDE，一种面向气象站点的地表偏微分方程学习模型，用于多站点多变量天气预报。针对现有站点模型缺乏显式物理演化、而PDE气象模型又依赖连续场和探空变量的问题，该模型从离散站点观测构建地形感知的连续地表场，将物理演化分解为地表风输送与高空推断两部分：前者显式演化可观测气象变量，后者用可学习水平扩散近似缺失的高空变量影响；同时引入并行的数据驱动扩散分支捕捉补充运动模式，并通过自适应路由器融合两路预测结果。在Weather2K和MeteoNet数据集上，StationPDE持续优于现有最优基线，平均MSE降低约9.6%，为站点观测数据引入可解释物理动力学提供了可行路径。
🔑 关键词速览
| StationPDE | 一种面向站点的地面偏微分方程学习模型，用于多站点多变量天气预报。 |
| 多站点多变量天气预报 | 利用多个气象站点的历史地面观测数据，预测未来多个天气变量的任务。 |
| 偏微分方程（PDE） | 描述物理量随时间和空间变化的数学方程，常用于天气建模以提供可解释的物理动力学。 |
| 地面风输送 | StationPDE中显式演化可观测天气变量的物理过程，模拟风对天气变量的平流输送。 |
| 高空推断 | 使用可学习的水平扩散来近似不可获得的高空变量对地面天气的影响。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅