PhysMetrics.Weather：ML 天气模型中物理一致性的评估框架

机器学习天气预报 (MLWP) 模型已经取得了令人印象深刻的预测性能，而其计算成本仅为传统基于物理的方法所需的一小部分。然而，它们主要是 (1) 数据驱动和 (2) 使用像素范围的误差指标（例如 RMSE）进行评估，因此不能保证它们的预测与已知的物理定律一致。我们引入了 PhysMetrics$.$Weather，这是一个评估框架，可通过三种类型的指标评估 MLWP 模型的物理真实性：守恒、光谱和动态。通过量化物理真实性，该工具指导物理信息架构的开发，并帮助评估 MLWP 模型对于操作使用是否可靠。我们的框架可在 Github 上找到：https://github.com/Emmakast/PhysMetrics.Weather。