DiffDA: a diffusion model for weather-scale data assimilation

要約

正確なデータ同化による初期条件の生成は、信頼性の高い天気予報と気候モデリングにとって重要です。
我々は、予測された状態とまばらな観測を使用して大気変数を同化できる機械学習ベースのデータ同化手法として DiffDA を提案します。
事前トレーニング済みの GraphCast 天気予報モデルをノイズ除去拡散モデルとして適応させます。
私たちの方法では、トレーニングと推論の両方で予測された状態と、推論のみのまばらな観測の 2 段階の条件付けを適用します。
副産物として、この戦略は、観測値が利用できない将来への予測の後処理も可能にします。再解析データセットに基づく実験を通じて、私たちの方法が 0.25 での観測値と一致する同化された全球大気データを生成できることを確認しました。
度の解像度。
この実験では、私たちのアプローチによって生成された初期条件は、最先端のデータ同化スイートの初期条件と比較して最大 24 時間のリードタイムの​​損失で予測モデルに使用できることも示しています。
これにより、自己回帰データ同化による再解析データセットの作成など、現実世界のアプリケーションにこの方法を適用することが可能になります。

要約(オリジナル)

The generation of initial conditions via accurate data assimilation is crucial for reliable weather forecasting and climate modeling. We propose the DiffDA as a machine learning based data assimilation method capable of assimilating atmospheric variables using predicted states and sparse observations. We adapt the pretrained GraphCast weather forecast model as a denoising diffusion model. Our method applies two-phase conditioning: on the predicted state during both training and inference, and on sparse observations during inference only. As a byproduct, this strategy also enables the post-processing of predictions into the future, for which no observations are available.Through experiments based on a reanalysis dataset, we have verified that our method can produce assimilated global atmospheric data consistent with observations at 0.25degree resolution. The experiments also show that the initial conditions that are generated via our approach can be used for forecast models with a loss of lead time of at most 24 hours when compared to initial conditions of state-of-the-art data assimilation suites. This enables to apply the method to real world applications such as the creation of reanalysis datasets with autoregressive data assimilation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google