[论文解读] DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling

Wenyuan Li, Zili Liu+5 more|arXiv (Cornell University)|Jan 4, 2024

Meteorological Phenomena and Simulations被引用 7

一句话总结

DeepPhysiNet 将大气物理学与深度学习通过物理网络和超网络整合，提供连续分辨率的天气建模，实现降尺度、偏差修正和预测。

ABSTRACT

Accurate weather forecasting holds significant importance to human activities. Currently, there are two paradigms for weather forecasting: Numerical Weather Prediction (NWP) and Deep Learning-based Prediction (DLP). NWP utilizes atmospheric physics for weather modeling but suffers from poor data utilization and high computational costs, while DLP can learn weather patterns from vast amounts of data directly but struggles to incorporate physical laws. Both paradigms possess their respective strengths and weaknesses, and are incompatible, because physical laws adopted in NWP describe the relationship between coordinates and meteorological variables, while DLP directly learns the relationships between meteorological variables without consideration of coordinates. To address these problems, we introduce the DeepPhysiNet framework, incorporating physical laws into deep learning models for accurate and continuous weather system modeling. First, we construct physics networks based on multilayer perceptrons (MLPs) for individual meteorological variable, such as temperature, pressure, and wind speed. Physics networks establish relationships between variables and coordinates by taking coordinates as input and producing variable values as output. The physical laws in the form of Partial Differential Equations (PDEs) can be incorporated as a part of loss function. Next, we construct hyper-networks based on deep learning methods to directly learn weather patterns from a large amount of meteorological data. The output of hyper-networks constitutes a part of the weights for the physics networks. Experimental results demonstrate that, upon successful integration of physical laws, DeepPhysiNet can accomplish multiple tasks simultaneously, not only enhancing forecast accuracy but also obtaining continuous spatiotemporal resolution results, which is unattainable by either the NWP or DLP.

研究动机与目标

• 推动将数值天气预报（NWP）物理学与数据驱动的深度学习（DLP）相结合，以克服各自范式的局限性。
• 提出一个统一框架，使用物理信息神经网络将基于偏微分方程的大气规律嵌入到可学习的模型中。
• 通过允许在任意坐标和分辨率下进行预测，实现在时空上的连续预测。
• 在降尺度、偏差修正和天气预报任务上演示该框架。
• 提供可解释性分析，展示物理规律和输入变量在预测中的作用。

提出的方法

• 为各个气象变量引入物理网络（MLP），将坐标（x, y, t）映射到变量值。
• 使用超网络（基于 Transformer）从历史数据中学习时空特征，并为物理网络生成权重。
• 在损失中将偏微分方程作为软约束，以对内部点强制物理一致性，并在网格点处使用回归损失。
• 在推理阶段通过在任意输入坐标处评估物理网络来实现连续分辨率。
• 在训练中同时使用真实数据和基于 PDE 的损失，以在单一框架内实现降尺度、偏差修正和预报。
• 输出六个地表变量：u, v, T, p, ρ, q，输入包括场序列和坐标。

实验结果

研究问题

• RQ1 能否将物理规律有效嵌入到数据驱动的天气模型中，以实现连续分辨率的预测？
• RQ2 将超网络与物理网络结合的混合架构是否在降尺度和偏差修正方面优于传统的 NWP 和 DLP？
• RQ3 基于 PDE 的约束在多大程度上提升了预测的可解释性和物理一致性？
• RQ4 该模型在保持物理现实性的同时，是否能够实现准确的测点级降尺度和网格点偏差修正？
• RQ5 仅使用 PDE 监督，该框架在超出训练时域的预测外推能力如何？

主要发现

方法	SPD RMSE	SPD COR	T RMSE	T COR	RH RMSE	RH COR
NCEP IFS	2.055	0.439	4.178	0.937	19.364	0.711
ECMWF IFS	1.844	0.430	4.099	0.944	17.471	0.757
DeepPhysiNet	1.686	0.443	3.788	0.949	16.686	0.761

• DeepPhysiNet 在风速、温度和相对湿度的测点级降尺度准确性方面，优于 NCEP IFS 和 ECMWF IFS。
• 在站点降尺度方面，DeepPhysiNet 对 SPD 的 RMSE 和 COR 为 1.686 与 0.443，对 T 的为 3.788 与 0.949，对 RH 的为 16.686 与 0.761，分别在多个指标上优于基线。
• 在网格点偏差修正方面，该方法表现具有竞争力，在温度和相对湿度方面相对 ECMWF 呈现强劲结果，并在大多数情况下对 NCEP 的偏差修正有所改进。
• 在短期天气预报（0-24h）方面，DeepPhysiNet 几乎匹配或略超 NCEP IFS，并在仅 PDE 监督下展示从 24h 到 48h 的有前景的外推能力。
• 该框架通过输入变量贡献分析提供可解释性洞见，显示压力和风变量具有显著影响，并证明 PDE 作为有效的软约束可以引导输出符合物理规律。