企业官网建设流程全解析

1、研究动机与整体框架

近年来，基于深度学习的数据驱动天气预报模型展现出巨大潜力，但现有模型仍面临关键问题：

• 数据与计算需求激增：主流模型（如 FourCastNet、Pangu-Weather）需数十年训练数据和海量 GPU 资源（如 FourCastNet 用 64 块 A100 GPU 训练 16 小时）
• 特征提取不足：气象数据包含复杂物理关系和三维地理坐标信息，传统 ViT 嵌入无法有效捕捉这些特征

为此，作者构建了EWMoE（Effective Weather Mixture-of-Experts） 模型，如下图所示，主要包括两个创新：（1）提出3D 绝对位置嵌入，建模经纬度和海拔的三维地理特征；（2）在FFN里引入混合专家（MoE）层，在不增加计算开销的前提下提升模型容量。

2、模型细节

EWMoE 基于 Transformer 编码器 - 解码器框架，流程如下：

• 预处理：将输入气象数据（20 个变量、5 个垂直层）分割为 8×8 的patch，通过线性投影得到初始特征。
• 3D 绝对位置嵌入：为每个patch添加经度、纬度、海拔三维可学习位置编码，捕捉气象变量的地理依赖关系。
• MoE 层编码：6 个编码器块均采用 MoE 层替代传统 FFN，通过门控网络选择 Top-2 专家处理输入，提升模型容量。
• 解码与损失优化：解码器输出 8 天（32 个 6 小时步长）的预报结果，结合双损失函数优化训练过程。

3、实验结果

作者使用ERA5 再分析数据集（0.25° 分辨率，721×1440 网格），训练集（2015-2016 年）、验证集（2017 年）、测试集（2018 年）。对比模型为 FourCastNet、ClimaX、Pangu-Weather、GraphCast。

短时效预报（1-3 天）：EWMoE 与 Pangu-Weather 精度相当，ACC 指标优于 GraphCast。中长时效预报（3-8 天）：EWMoE 性能显著优于 Pangu-Weather，在 Z500、T2m 等关键变量上保持更高稳定性。

在轻量模型对比上，优于 FourCastNet 和 ClimaX，且训练数据量仅为二者的 1/18（2 年 vs 37 年）。