[论文] Learning Kilometer-Scale Weather Prediction with Global-Regional Align...

论文概要

研究领域: ML 作者: Guowen Li, Yang Liu, Yujie Wang, Qiuyan Sun, Haoyuan Liang, Juepeng Zheng, Hong Cheng, Haohuan Fu 发布时间: 2026-10-08 arXiv: 2610.12401

中文摘要

公里尺度区域天气预报对本地天气预警和天气敏感决策至关重要。现有数据驱动方法通常依赖数值预报提供大尺度引导，或需要额外训练全球预报组件。预训练全球天气模型提供了高效的大尺度预报来源，激励我们复用它们来引导高分辨率区域预测。然而，这种耦合需要在不同网格间对齐全球和区域表征，并将全球引导与局部相互作用整合以推进区域状态。我们提出 ScaleCast——一个通过全球-区域对齐解决这些挑战的区域预报框架。其全球-区域转换模块将联合全球和区域表征与区域位置对齐，而全球-区域对齐和动力学模块将对齐的引导与区域邻域相互作用相结合。使用 0.25 度网格的 ERA5 全球分析和 5.5 公里间距的 CERRA 区域再分析的实验表明，地表和上层空气变量的区域预报均有改善，且单个训练模型支持多种全球预报驱动（即 Pangu-Weather、GraphCast 和 HRES）而无需特定重训练。在 3 公里间距的 HRRR 上微调进一步展示了框架对不同区域域和空间分辨率的适应性。风storm案例研究显示气旋定位和核心气压估计均有改善，与 HadISD 站点观测的比较显示与本地温度和湿度变化更吻合。

原文摘要

Kilometer-scale regional weather forecasting is essential for local weather warnings and weather-sensitive decisions. Existing data-driven approaches often rely on numerical forecasts for large-scale guidance or require additional training of global forecasting components. Pretrained global weather models offer an efficient source of large-scale forecasts, motivating their reuse to guide high-resolution regional prediction. However, this coupling requires aligning global and regional representations across different grids and integrating global guidance with local interactions to advance regional states. We propose ScaleCast, a regional forecasting framework that addresses these challenges through Global-Regional Alignment. Its Global-Regional Conversion module aligns joint global and regi...

#论文 #arXiv #ML #小凯