arXiv cs.AI· Mutian Xi, Xinyu Su, Xiaohui Zhong, Hao Li·· 3 天前AI 评分22
WeatherBridge：面向预训练天气预报模型的预报感知多源输入适配
WeatherBridge: Forecast-Aware Multi-Source Input Adaptation for Pretrained Weather Forecasting Models
AI 导读
WeatherBridge 是一种源条件适配器，可将 GFS、HRES、CMA 等业务 NWP 初始场映射为 ERA5 参考态，且不更新预训练预报模型。它用 Swin-UNet 预测结构化残差修正并在多空间尺度注入源嵌入，训练目标结合纬度加权 ERA5 重建与 One-step Rollout Alignment（通过冻结的 FuXi 反传一步预报误差）。
正文 · AI 翻译
摘要：数据驱动的天气预报模型通常基于 ERA5 进行训练，但业务部署必须使用来自基于物理的数值天气预报（NWP）系统的及时初始状态，而这些状态的分布与 ERA5 存在显著差异。直接使用这些状态进行初始化可能会降低自回归预报的性能，因此需要在不改变预训练预报模型的前提下进行输入适配。在此，我们提出 WeatherBridge，一种统一的、以来源为条件的适配器，可将异构的业务 NWP 初始状态映射到 ERA5 参考状态，而无需更新预训练预报模型。WeatherBridge 使用 Swin-UNet 预测结构化残差修正，并在多个空间尺度上注入来源嵌入，使模型能够捕捉共享的大气结构和来源特定的差异。其训练目标将纬度加权的 ERA5 重建与单步滚动对齐（ORA）相结合，后者通过冻结的 FuXi 模型反向传播单步预报误差，以针对初始状态保真度和下游预报兼容性优化适配后的状态。我们使用 2025 年 1 月 1 日至 11 月 22 日的每日 GFS、HRES 和 CMA 初始化数据，在六个变量和最长 240 小时的预报时效上评估 WeatherBridge。相对于 FuXi 的原始来源初始化，WeatherBridge 在 18 个来源-变量组合中的 17 个上降低了 FuXi 在 6-240 小时滚动预报中的平均 RMSE，中位降幅为 10.2%，最大降幅为 46.3%。使用冻结 FuXi 训练的适配器还能在 GFS 输入上改进 FengWu 预报，而无需重新训练适配器或 FengWu。这些结果表明，预报感知的输入适配可以改进来自异构业务 NWP 输入的预报，并可在基于 ERA5 的预训练预报模型之间迁移。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14863 [cs.AI] |
| （或 arXiv:2610.14863v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14863 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Xinyu Su [查看电子邮件]
[v1]
2026年10月10日星期六 12:32:56 UTC（11,997 KB）
来源：arXiv cs.AI · arxiv.org