SDECast：基于 Neural SDEs 的连续时间概率天气预报

arXiv:2610.03313v1 公告类型：cross 摘要：现有的机器学习天气预报模型通常在固定时间分辨率下通过自回归滚动生成预报。尽管这种形式对于长期预测十分高效，但在采用更短时间步长时可能会导致严重的误差累积，并且无法显式编码大气动力学的局部性与时间连续性。为解决这些局限，我们提出了 **SDECast**，一种用于连续时间概率天气预报的 Neural Stochastic Differential Equation（SDE）框架。SDECast 扩展了 SDE Matching，使其能够直接在物理空间中学习随机动力学，而无需在训练过程中重复进行 SDE 模拟。在一个模拟地球物理流体系统上，我们表明 SDECast 能够恢复有意义的漂移动力学，并忠实地再现潜在的连续时间行为。随后，我们展示了其扩展至全球逐小时天气预报的能力：SDECast 能够对最长五天的预报时效生成具有良好技巧的概率预报。