ترجمه فارسی مقاله Lightweather: استفاده از رمزگذاری موقعیتی مطلق برای پیش بینی آب و هوای کارآمد و مقیاس پذیر جهانی

چکیده

Recently, Transformers have gained traction in weather forecasting for their capability to capture long-term spatial-temporal correlations. However, their complex architectures result in large parameter counts and extended training times, limiting their practical application and scalability to global-scale forecasting. This paper aims to explore the key factor for accurate weather forecasting and design more efficient solutions. Interestingly, our empirical findings reveal that absolute positional encoding is what really works in Transformer-based weather forecasting models, which can explicitly model the spatial-temporal correlations even without attention mechanisms. We theoretically prove that its effectiveness stems from the integration of geographical coordinates and real-world time features, which are intrinsically related to the dynamics of weather. Based on this, we propose LightWeather, a lightweight and effective model for station-based global weather forecasting. We employ absolute positional encoding and a simple MLP in place of other components of Transformer. With under 30k parameters and less than one hour of training time, LightWeather achieves state-of-the-art performance on global weather datasets compared to other advanced DL methods. The results underscore the superiority of integrating spatial-temporal knowledge over complex architectures, providing novel insights for DL in weather forecasting.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، ترانسفورماتورها در پیش بینی آب و هوا به دلیل توانایی خود در گرفتن همبستگی های طولانی مدت مکانی و زمانی ، کشش را به دست آورده اند.با این حال ، معماری پیچیده آنها منجر به شمارش پارامترهای بزرگ و زمان آموزش طولانی می شود و کاربرد عملی و مقیاس پذیری آنها در پیش بینی در مقیاس جهانی را محدود می کند.این مقاله با هدف بررسی عامل اصلی پیش بینی دقیق آب و هوا و طراحی راه حل های کارآمدتر انجام شده است.جالب اینجاست که یافته های تجربی ما نشان می دهد که رمزگذاری موقعیتی مطلق همان چیزی است که واقعاً در مدل های پیش بینی آب و هوا مبتنی بر ترانسفورماتور کار می کند ، که می تواند به صراحت از همبستگی های مکانی و زمانی حتی بدون مکانیسم های توجه مدل سازی کند.ما از لحاظ تئوریکی ثابت می کنیم که اثربخشی آن ناشی از ادغام مختصات جغرافیایی و ویژگی های زمان واقعی است ، که ذاتاً با پویایی آب و هوا مرتبط هستند.بر این اساس ، ما Lightweather را پیشنهاد می کنیم ، یک مدل سبک و مؤثر برای پیش بینی هوای جهانی مبتنی بر ایستگاه.ما از رمزگذاری موقعیتی مطلق و یک MLP ساده به جای سایر مؤلفه های ترانسفورماتور استفاده می کنیم.با داشتن پارامترهای زیر 30K و کمتر از یک ساعت زمان آموزش ، Lightweather نسبت به سایر روشهای پیشرفته DL به عملکرد پیشرفته در مجموعه داده های جهانی آب و هوا می رسد.این نتایج بر برتری ادغام دانش مکانی و زمانی بر روی معماری های پیچیده تأکید می کند و بینش جدیدی را برای DL در پیش بینی آب و هوا فراهم می کند.