AI气候预测重大突破:SOON网络将6周预报准确率推向新高度

多客科技

作者：微信文章

SOON：用于全球次季节至季节气候预测的对称正交算子网络


https://arxiv.org/abs/2602.15040



Figure 2. The main architecture of our proposed SOON.
本文提出了一种新的深度学习架构，旨在解决当前气候预测模型在长时效（2-6周）预测中的关键缺陷。
1. 研究背景与核心痛点

• 任务重要性：次季节至季节（S2S，提前2-6周）的气候预测对于防灾减灾、能源调度和农业规划至关重要。然而，这一时间尺度介于依赖初始条件的天气预报和依赖边界条件的气候投影之间，预测难度极大。• 现有模型的缺陷：

• 各向同性假设（Isotropic Assumption）：现有的数据驱动模型（如Transformer、CNN等）通常将全球大气场视为普通的2D图像，均匀处理经纬度方向。• 物理机制混淆：实际上，全球大气环流由两个正交但物理机制不同的过程主导：
1. 纬向动力学（Zonal Dynamics）：主要是沿纬度圈的周期性波动传播（如罗斯贝波）。2. 经向传输（Meridional Transport）：主要是南北方向的热量及动量交换。

• 后果：现有模型混淆了这两种机制，且忽视了高纬度地区地图投影的严重变形，导致长期预测中误差迅速积累，尤其是在高纬度地区表现不佳。

2. 核心方法：SOON 架构

作者提出了SOON网络，其设计严格遵循大气动力学的各向异性特征，主要包含三个关键模块：
A. 各向异性嵌入策略 (Anisotropic Embedding)

• 创新点：不再使用传统的局部补丁（Patch）切割，而是将每个**纬度圈（Latitudinal Ring）**压缩为一个独立的Token。• 作用：保留了纬向（东西方向）的周期性结构完整性，同时在结构上将纬向信息与经向（南北方向）序列区分开来。这避免了破坏行星波的连续结构。

B. SOON 模块 (SOON Blocks) - 核心引擎

• 对称算子分解 (Symmetric Operator Splitting)：受数值分析中Strang分裂法的启发，SOON模块采用 Zonal -> Meridional -> Zonal 的对称结构来模拟大气演化。

• 纬向算子 (Zonal Operator)：在频域（通过FFT）操作，捕捉全球尺度的波动传播。• 经向算子 (Meridional Operator)：在空间域（通过1D卷积）操作，捕捉局部的南北传输。

• 理论优势：这种对称结构在数学上消除了二阶截断误差（从  提升至 ），显著减缓了长时序预测中的误差积累。• 归一化选择：弃用了常见的LayerNorm（因其去均值操作会破坏大气波的背景能量/零频分量），改用RMSNorm。理论证明RMSNorm能保持频谱相位和背景能量的守恒，这对长期积分至关重要。

C. 轻量级解码器 (Decoder)

• 将演化后的潜在表示映射回物理网格，输出未来第3-4周和第5-6周的双周平均预测场。

3. 实验结果与性能表现

文章在标准的ERA5再分析数据集上进行了广泛测试，对比了包括ECMWF、NCEP等传统数值预报系统，以及PanguWeather、FourCastNet、ClimaX等最先进的AI模型。

• 精度突破 (SOTA)：

• SOON在几乎所有评估指标（RMSE, ACC）上均取得了最先进水平。• 特别是在第5-6周的长时效预测窗口，SOON表现出极强的鲁棒性，而其他模型在此阶段性能大幅下降。• 在高纬度地区（极地），SOON克服了传统模型的投影失真问题，误差显著低于竞争对手。

• 效率提升：

• 由于各向异性嵌入将序列长度从  压缩为 ，SOON的计算复杂度与经度分辨率无关（线性于纬度）。• 推理速度比CirT快2倍以上，比ClimaX快5倍以上，显存占用更低。

• 消融实验验证：

• 移除“各向异性嵌入”或任一算子都会导致性能剧烈下降，证明了物理机制解耦的必要性。• 使用LayerNorm替代RMSNorm会导致长时效预测稳定性变差，验证了理论分析。

4. 总结与意义

• 核心贡献：这是首个明确将“纬向 - 经向解耦” formulize 为潜空间中对称算子分裂问题的S2S预测框架。它纠正了现有AI气象模型违背大气各向异性物理本质的根本错误。• 实际价值：不仅提高了预测准确率，还大幅降低了计算成本，使得高分辨率的全球次季节预测更加可行。• 未来展望：目前模型是确定性的，未来工作将结合生成式框架以量化混沌系统中的预测不确定性。

一句话总结：SOON通过尊重大气运动的物理本质（纬向波动与经向传输的解耦）并采用数值稳定的对称算子分裂策略，成功解决了长时效气候预测中误差积累和高纬度失真的难题，确立了新的性能标杆。







END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。








气象学家

微信公众号|小红书|微信视频号