🔬 physics

PEAR: Equal Area Weather Forecasting on the Sphere

Het artikel introduceert PEAR, een op transformatoren gebaseerd weersvoorspellingsmodel dat native werkt op het HEALPix-oppervlak met gelijke oppervlakten om onfysische poolbias te elimineren en bestaande modellen op basis van equiangularroosters te overtreffen zonder rekenkundige overhead.

Oorspronkelijke auteurs: Hampus Linander, Tage Tykesson, Pietro Rosso, Christoffer Petersson, Daniel Persson, Jan E. Gerken

Gepubliceerd 2026-05-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hampus Linander, Tage Tykesson, Pietro Rosso, Christoffer Petersson, Daniel Persson, Jan E. Gerken

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een perfect beeld van het volledige weer op aarde te schilderen op een platte kaart. De traditionele manier waarop wetenschappers dit decennialang hebben gedaan, is door een rooster van vierkanten, zoals een schaakbord, over de wereldbol te tekenen.

Het probleem met het oude rooster
Het probleem met deze "schaakbord"-methode is dat het vervormd raakt in de buurt van de polen (Noord en Zuid). Om de vierkanten te laten passen bij de kromming van de aarde, zijn de vierkanten nabij de evenaar breed en comfortabel, maar naarmate je naar de polen beweegt, worden de vierkanten samengeperst tot tiny, krappe spaanders.

Dit creëert een "verkeersopstopping" van data aan de polen. De computer moet veel extra werk verzetten om deze tiny, drukke vierkanten te verwerken, terwijl de evenaar een luie, gemakkelijke rit krijgt. Deze ongelijkheid introduceert een "bias", net als het proberen om een ronde kamer te meten met een liniaal die uitrekt en krimpt afhankelijk van waar je hem vasthoudt.

De nieuwe oplossing: Het gelijk-oppervlak tegelwerk
De auteurs van dit artikel, PEAR, besloten een andere tegelmethode te proberen genaamd HEALPix.

Denk aan HEALPix niet als een schaakbord, maar als een perfect passend voetbal.

Gelijke grootte: Elk stukje op dit voetbal is precies even groot. Het maakt niet uit of je je op de evenaar of de Noordpool bevindt; elke "pixel" bedekt exact hetzelfde oppervlak.
Geen vervorming: Omdat elk stukje even groot is, hoeft de computer geen extra werk te verzetten aan de polen. Het behandelt de hele planeet eerlijk.

Het PEAR-model
Het team bouwde een nieuwe AI-weersvoorspeller genaamd PEAR (Pangu Equal Area) die de taal van dit voetbal-rooster moeiteloos spreekt.

Moedertaalspreker: Eerdere AI-modellen moesten de weergegevens vertalen van het "geperste" schaakbord-rooster naar het "gelijke" voetbal-rooster om het te verwerken, en het daarna weer terugvertalen. PEAR slaat de vertaling over. Het denkt, leert en voorspelt direct op het voetbal-rooster.
De Transformer-engine: PEAR gebruikt een krachtig type AI-architectuur (een Transformer) dat het weer in "vensters" bekijkt. Omdat het rooster uniform is, zijn deze vensters overal perfect consistent.

Wat ze vonden
De onderzoekers testten PEAR tegen de huidige top-AI-weersmodellen (zoals Pangu-Weather, GraphCast en FengWu) en de oude "schaakbord"-versies van hun eigen model.

Betere nauwkeurigheid: PEAR voorspelde het weer nauwkeuriger dan alle andere modellen, vooral voor voorspellingen tot 10 dagen vooruit. Het was beter in het voorspellen van temperatuur, wind en druk.
Sneller en lichter: Ondanks dat het nauwkeuriger was, had PEAR geen meer rekenkracht nodig om te draaien. Sterker nog, het was sneller dan sommige concurrenten en gebruikte minder "hersencellen" (parameters) dan het enorme Pangu-model.
Eerlijkheid: Door de "poolvervorming" te verwijderen, leerde het model de fysica van de atmosfeer op een natuurlijkere manier, zonder bedrogen te worden door de vreemde geometrie van het oude rooster.

De conclusie
Het artikel betoogt dat als je het weer voor de hele planeet wilt voorspellen, je geen rooster moet gebruiken dat de polen behandelt als een drukke metrostation en de evenaar als een leeg park. Door over te schakelen naar een rooster waarbij elk stukje van de puzzel even groot is (HEALPix), kan de AI het volledige beeld duidelijker zien en betere voorspellingen doen zonder een grotere, langzamere computer nodig te hebben.

Ze toonden ook aan dat deze nieuwe aanpak goed werkt voor het simuleren van langetermijnklimaatmodellen, wat bewijst dat het "voetbal"-rooster een solide fundament is voor het begrijpen van de toekomst van onze planeet.

Technische Samenvatting: PEAR - Gelijkoppervlakte Weersvoorspelling op de Sfeer

Probleemstelling

Kunstmatige intelligentie heeft de weersvoorspelling snel vooruitgebracht, waarbij modellen zoals Pangu-Weather en GraphCast traditionele numerieke methoden overtreffen in wereldwijde voorspellingen op middellange termijn. Een kritieke beperking blijft echter bestaan: de meeste datagedreven modellen vertrouwen op equiangulaire discretisaties van de sfeer (breedte- en lengtegraden of Gaussische roosters). Deze roosters lijden onder een niet-uniforme resolutie, waarbij roostercellen dicht bij de polen aanzienlijk kleiner worden dan bij de evenaar. Deze geometrische vervorming introduceert onfysische vertekeningen en artefacten in leergerichte modellen, aangezien de steekproefdichtheid willekeurig varieert over de hele wereld.

Hoewel het Hierarchical Equal Area iso-Latitude Pixelization (HEALPix)-rooster een oplossing biedt door ervoor te zorgen dat elke pixel exact hetzelfde oppervlak beslaat, zijn eerdere pogingen om dit toe te passen in de weersvoorspelling beperkt gebleven. Sommige modellen projecteren data op planaire roosters, terwijl anderen HEALPix uitsluitend gebruiken voor voorverwerking, waarbij leerbare encoder/decoder nodig zijn om te schakelen tussen equiangulaire en HEALPix-representaties. Dit artikel adresseert de behoefte aan een model dat natie opereert op het HEALPix-rooster om deze onfysische vertekeningen te elimineren en in lijn te brengen met de inherente symmetrieën van de sfeer.

Methodologie

De auteurs stellen PEAR (Pangu Equal Area) voor, een transformer-gebaseerd weersvoorspellingmodel dat volledig is ontworpen om te opereren op het HEALPix-rooster zonder tussenliggende projecties.

Data en Opstelling

Dataset: Het model is getraind op de ERA5-Lite-dataset, een subset van de volledige ERA5-hernalysesdata (2007–2017), opnieuw bemonsterd naar het HEALPix-rooster met $n_{side} = 64$ . Deze resolutie verzadigt de hoekresolutie van de beschikbare equiangulaire ERA5-data.
Invoer/Uitvoer: De taak is een regressieprobleem waarbij de globale weertoestand op $t + \Delta t$ (24 uur) wordt voorspeld op basis van de toestand op $t$ . De invoer omvat oppervlaktevariabelen (wind, temperatuur, druk) en variabelen in de hogere atmosfeer (wind, temperatuur, vochtigheid, geopotentiaal) over 13 verticale niveaus.
Architectuur: PEAR maakt gebruik van een volumetrische transformer-architectuur die is aangepast voor het sferische domein:
- Patch Embedding: Gebruikt 1D- en 2D-convoluties om respectievelijk oppervlakte- en bovenvariabelen te embedden.
- Gefenstrede Attention: Maakt gebruik van de geneste hiërarchische structuur van HEALPix om de sfeer te partitioneren in aaneengesloten vensters. In tegenstelling tot Pangu-Weather gebruikt PEAR een vereenvoudigde geleerde relatieve positionele embedding die wordt gedeeld over vensters, waarbij wordt ingezet op het gelijkoppervlak-karakter van het rooster.
- Verschoven Vensters: Om informatie over disjuncte vensters te propagëren, hanteert het model een ringverschuivingsstrategie (aangepast van HEAL-SWIN) langs de sferische richtingen en een eenvoudige verschuiving in de verticale richting.
- Gemaskerde Attention: Vanwege de cyclische aard van de ringverschuiving en de polaire regio's wordt een maskeringmechanisme geïmplementeerd om attention tussen ruimtelijk disjuncte voxels te voorkomen (bijvoorbeeld die die van de Noord- naar de Zuidpool springen).
- Ondersampling/Oversampling: De hiërarchische structuur van HEALPix maakt efficiënte ondersampling (samenvoegen van 4 naburige pixels) en oversampling (opsplitsen van één pixel in vier) mogelijk via tensor-hershaping, waardoor complexe interpolatie wordt vermeden.

Belangrijkste Bijdragen

Natie HEALPix-modellering: PEAR is het eerste machine learning-model voor weersvoorspelling dat volledig opereert op het HEALPix-rooster, waardoor de noodzaak van ruimtelijke gewichten in verliesfuncties wordt geëlimineerd en onfysische vertekeningen die geassocieerd worden met equiangulaire roosters worden verwijderd.
Architecturale Efficiëntie: Het model bereikt geen rekenkundige overhead in vergelijking met een equivalent model dat draait op een traditioneel equiangulier rooster. De hiërarchische structuur van HEALPix maakt een efficiënte implementatie van ondersampling en gefenstrede attention mogelijk.
Superieure Prestaties: Pangu presteert beter dan zijn equiangulaire tegenhanger (Pangu) en andere state-of-the-art baselines (GraphCast, FengWu) over verschillende variabelen en voorspellingstermijnen, ondanks dat het minder trainbare parameters heeft dan Pangu.
Equivariantie-verificatie: De auteurs verifiëren dat dagelijkse bemonstering (ERA5-Lite) de geleerde equivariantie-eigenschappen van het model onder rotatie niet verslechtert, waarmee de robuustheid van de aanpak wordt bevestigd.
Klimaat-emulatie: De architectuur toont concurrerende prestaties in het emuleren van Aardsysteemmodellen (ESM's) over meerdere klimaatmodellen, en presteert beter dan UNet-baselines in neerslagvoorspelling.

Experimentele Resultaten

Voorspellingsnauwkeurigheid: Geëvalueerd op de ERA5-Lite-dataset met voorspellingstermijnen tot 10 dagen, bereikt PEAR consistent hogere Anomaly Correlation Coefficient (ACC)-scores dan FengWu, GraphCast en Pangu voor zowel oppervlakte- als bovenlaagvariabelen.
- Bijvoorbeeld, bij een lead time van 9 dagen voor oppervlaktetemperatuur (t2m), bereikt PEAR een ACC van 0,439, wat beter is dan GraphCast (0,384) en FengWu (0,350).
Efficiëntie: PEAR heeft 4,3 miljoen trainbare parameters, vergelijkbaar met GraphCast maar aanzienlijk kleiner dan Pangu (11,3M) en FengWu (14,3M). De inferentietijd is 17 ms, sneller dan Pangu (25 ms), GraphCast (27 ms) en FengWu (98 ms).
Equivariantie: Experimenten waarbij modellen worden vergeleken die zijn getraind op bemonsteringsintervallen van 24 uur versus 2 uur, tonen aan dat de 24-uurs ERA5-Lite-dataset voldoende is voor het leren van rotatie-equivariantie. De foutpatronen sluiten aan bij de symmetrie van het HEALPix-rooster (piekend bij rotaties van 45°), wat de structurele invloed van het rooster bevestigt.
Klimaatmodellering: Bij klimaatmodel-emulatietaak met de ClimateSet-dataset, presteert PEAR (4,3M parameters) beter dan een UNet-baseline (18,3M parameters) in 13 van de 15 klimaatmodellen voor de totale RMSE en behaalt de laagste neerslag-RMSE in 8 van de 15 modellen.

Betekenis en Beweringen

Het artikel stelt dat het HEALPix-rooster het fysisch geschikte natiere rooster is voor leergerichte weersvoorspelling. Door de geometrische vervormingen van equiangulaire roosters te verwijderen, toont PEAR aan dat gelijkoppervlakte-modellering leidt tot superieure voorspellende prestaties zonder in te leveren op rekenkundige efficiëntie.

De auteurs benadrukken dat naaste generatie databronnen (zoals het Destination Earth-initiatief van het ECMWF) bewegen naar hoogresolutie HEALPix-natie data, modellen zoals PEAR essentieel zijn om deze data efficiënt te benutten. Het werk suggereert dat deze aanpak voorspelling van extreme weersomstandigheden kan verbeteren en een fundament biedt voor toekomstig onderzoek naar nauwkeurigere, vertekeningvrije mondiale klimaatmodellen. De auteurs blijven bescheiden, en erkennen beperkingen zoals het gebruik van ERA5-Lite (in plaats van volledige ERA5) vanwege rekenbeperkingen en de inherente beperkingen van datagedreven modellen met betrekking tot langetermijnstabiliteit en fysische behoudswetten.