![arxiv：2501.06907v1 [cs.lg] 2025年1月12日](/simg/5/584bd367ef6a329bbc6fec1335a5fa5c13bb982d.webp)
机构名称：
¥ 3.0
数十年来，基于物理学的数值模型一直是大气科学的基石，提供了强大的解决方案，但通常以大量的计算资源为代价。深度学习（DL）模型已成为气象学中的功能工具，能够通过学习复杂的依赖性并提供一旦训练的快速预测来消除复杂的天气和气候数据。这些模型在天气预测中表现出令人鼓舞的表现，但通常超过了基于物理的方法，但它们仍然面临着关键的挑战。本文介绍了对天气预测的最新深度学习和基本模型的全面调查。我们提出了一种分类法，以基于其培训范例对现有模型进行分类：确定性预测性学习，概率生成学习以及预训练和微调。对于每个范式，我们都深入研究了基本的模型体系结构，应对主要挑战，提供关键的见解，并提出针对未来研究的有针对性的方向。此外，我们还提供了这些方法的现实应用程序，并提供了开源代码存储库和广泛使用的数据集的策划摘要，旨在在促进开放式和值得信赖的科学实践的同时，在采用尖端的人工智能预测方面，以实践和值得信赖的科学实践来启动研究进步。相关来源可在https://github.com/jimengshi/ dl-foundation-models-weather上提供。
arxiv：2501.06907v1 [cs.lg] 2025年1月12日
主要关键词
![arxiv：2501.06907v1 [cs.lg] 2025年1月12日PDF文件第1页](/bimg/f/f471213f5013b6b9ae6e578f8d8e113dfec5ff58.webp)
![arxiv：2501.06907v1 [cs.lg] 2025年1月12日PDF文件第2页](/bimg/e/ee2a4f17a6195f0214914f39292721eff58f611b.webp)
![arxiv：2501.06907v1 [cs.lg] 2025年1月12日PDF文件第3页](/bimg/b/b1706c26ff342bfa17e3295277036a56b3268f59.webp)
![arxiv：2501.06907v1 [cs.lg] 2025年1月12日PDF文件第4页](/bimg/e/ea07477a9197fba08eda0392a93d0de39f7887f9.webp)
![arxiv：2501.06907v1 [cs.lg] 2025年1月12日PDF文件第5页](/bimg/2/2596aa4c3ff2c6e09189a24fe30848c90d522607.webp)
相关文件推荐
![arxiv：2501.16649v1 [eess.sp] 2025年1月12日](/simg/7/756577affeb7e32082f3d9879318bbdb09b7e4ff.webp)
![arxiv：2501.16651v1 [eess.sp] 2025年1月12日](/simg/6/64442d13ca6f300de928f4cb40f36c1c3490bdfc.webp)
![arxiv：2501.06692v1 [CS.CV] 2025年1月12日](/simg/8/8f2a32b34a443218d0d75cc2ab61407c3a5b45b0.webp)
![arxiv：2501.05322v2 [CS.HC] 2025年1月12日](/simg/4/45604f250a4cc6bce085a805c5061f7c83224f79.webp)
![arxiv：2501.04966v1 [cs.cv] 2025年1月9日](/simg/d/dea7ad7b96ec0868bc89135a1c4313459741b73c.webp)
![arxiv：2501.10089v1 [cs.cv] 2025年1月17日](/simg/7/741beda39614c3a573d37b99ccd8947f62d2e5fa.webp)
![arxiv：2501.15415v1 [cs.cv] 2025年1月26日](/simg/8/84782461405a7624ab37009ae9f74c6fa1c1bb44.webp)
![arxiv：2501.15369v1 [cs.cv] 2025年1月26日](/simg/4/4ad27d92a40e7e9934a51e62ccda0296dabb88fb.webp)
![arxiv：2501.04352v1 [cs.cv] 2025年1月8日](/simg/2/20b4b7601c5e5a91b018a205c40e7fc43aa3e198.webp)
![arxiv：2501.09380v1 [cs.cr] 2025年1月16日](/simg/5/53ee5f48138db1a74ce31aaf47a7548b04e739c6.webp)
![arxiv：2501.16546v1 [cs.ai] 2025年1月27日](/simg/0/034c54f7346ac860f99cd36ed1d83ff17b75cf2b.webp)
![arxiv：2501.07994v1 [cs.cv] 2025年1月14日](/simg/c/cf0bc4d3de0f3d3629290402e430b2d6c96cb963.webp)
![arxiv：2501.02842v1 [cs.ir] 2025年1月6日](/simg/7/7e6a577afdac3ea40469e656198dccc8bf8a6987.webp)
![arxiv：2501.07985v1 [cs.ro] 2025年1月14日](/simg/c/c3a0101d75e42540c70527ec0a228410e73721c3.webp)
![arxiv：2501.16346v1 [cs.lg] 2025年1月18日](/simg/1/10c0964b0368b2f7aecdd616acbf1ae8f0dbaacb.webp)
![arxiv：2501.18177V1 [CS.IR] 2025年1月30日](/simg/5/59ace2f404b560bd35cc94c0a9dba3121f140715.webp)
![arxiv：2501.07059v1 [hep-ph] 2025年1月13日](/simg/c/c677071b73f8ab5ae91fb38598dd8862aaf4645a.webp)
![arxiv：2501.05268v1 [Quant-ph] 2025年1月9日](/simg/7/768cd77d034836059dee57db4b77d5b3387862e8.webp)
![arxiv：2501.18803v1 [cs.lg] 2025年1月30日](/simg/b/bf831b630a685a61ec21b4ebcc4c758f61bc7407.webp)
![arxiv：2401.07934v3 [Quant-ph] 2025年1月12日](/simg/3/374e854613bd5c64a2ee8378793089dd79186db4.webp)
![arxiv：2501.03098v1 [cs.cy] 2025年1月6日](/simg/0/0640eb5c37b4a83a64d8d1480db6e8310c00ca6b.webp)
![arxiv：2501.10989v1 [Quant-ph] 2025年1月19日](/simg/1/1187ed9ab583ee5c6b8108c6748722a2909664ba.webp)
![arxiv：2501.13010v1 [eess.iv] 2025年1月22日](/simg/d/d535abd3f039326dccce447375512a2d51bd3809.webp)
![arxiv：2501.16548v1 [cs.cy] 2025年1月27日](/simg/2/262d6f30163a8eb0c50e9172a9933216d7297bfa.webp)
![arxiv：2501.03537V1 [CS.HC] 2025年1月7日](/simg/f/f8b0197a55e6cd57b6ab84ca1d60d872d4addfb9.webp)
![arxiv：2501.08226v1 [CS.CV] 2025年1月14日](/simg/f/f34f8d534697fef9e881c4cbde170d193b286378.webp)
![arxiv：2501.17680v1 [Physics.optics] 2025年1月29日](/simg/4/490da5452ab6948262663561a83f935f4bdd41f4.webp)
![arxiv：2501.15108V1 [CS.CL] 2025年1月25日](/simg/6/68469aebdf15a3773f7ffce893b53550c5396f9a.webp)
