Краткое содержание

arXiv:2505.17720v2 Announce Type: replace Abstract: Искусственный интеллект стремительно преобразует естественные науки, а прогнозирование погоды становится флагманским приложением AI4Science, где модели машинного обучения теперь могут конкурировать и даже превосходить традиционные численные модели. После успеха знаковых моделей Pangu Weather и Graphcast, превзошедших традиционные численные методы в глобальном среднесрочном прогнозировании, появилось множество новых методов, основанных на данных. Общим ограничением для многих из этих моделей является их зависимость от равноугольной дискретизации сферы, которая страдает от гораздо более мелкой сетки на полюсах по сравнению с экватором. В отличие от этого, в иерархической пикселизации с равной площадью и изолинией широты (HEALPix) сферы каждый пиксель покрывает одинаковую площадь поверхности, устраняя неприродные смещения. Вдохновленные растущей поддержкой этой сетки в метеорологии и науках о климате, мы предлагаем выполнять прогнозирование погоды с помощью моделей глубокого обучения, которые наивно