天气预报作为影响社会运行与防灾决策的关键领域，始终面临大气系统复杂多变带来的巨大挑战，每一次预报能力的提升都对人类生产生活意义深远。长期以来，数值天气预报（NWP）一直是该领域的主流手段，它依托大气动力学方程组，通过求解偏微分方程模拟温度、气压、风速等关键变量的演变过程，实现对天气系统的数值化推演。

‍

近年来，随着人工智能技术的突破，深度学习凭借其强大的时空模式识别能力，在气象建模中展现出巨大潜力，催生了「气象人工智能（AI4Weather）」这一新兴交叉方向。然而，现有 AI 气象模型大多基于一个理想假设——即所有气象变量在训练和预测时均可同步获取。这与实际观测中数据来源多样、采集频率不一的现实严重不符。例如，高空温度依赖卫星或探空仪获取，更新较慢；而地面降水、风速等则由密集站点实时监测。这种数据异步性导致模型在引入新变量时，必须全量重新训练，带来极高的计算成本。

‍

为应对这一挑战，香港科技大学、浙江大学等机构的研究团队设计了「增量天气预报（IWF）」新范式，推出「变量自适应专家混合模型（VA-MoE）」。该模型通过分阶段训练与变量索引嵌入机制，引导不同专家模块专注特定类型的气象变量，当新增变量或站点时，无需全量重训即可实现模型扩展，在保障精度的同时大幅降低计算开销。

‍

相关研究成果以「VA-MoE: Variables-Adaptive Mixture of Experts for Incremental Weather Forecasting」为题，已被计算机视觉领域国际顶会 ICCV25 接收。

‍

研究亮点：

* 首次对天气预报增量学习新范式进行系统性探索，构建了可量化评估模型扩展性与泛化能力的基准

* 提出首个专为增量大气建模设计的框架 VA-MoE，通过变量索引嵌入驱动的上下文变量激活实现专家专业化

* 基于 ERA5 数据集的大规模实验表明，在数据量减半、参数量缩减至 25% 的条件下，VA-MoE 在高空变量预报中显著优于同类模型

‍

转载自：HyperAI超神经

原文地址：https://mp.weixin.qq.com/s/-a165b3tKUQlU9uEUttcmg