FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting

要約

アンサンブル天気予報は、天気を予測し、異常気象の影響を軽減するために不可欠です。
従来の数値気象予測 (NWP) モデルに基づいてアンサンブル予測システム (EPS) を構築すると、計算コストが非常に高くなります。
機械学習 (ML) モデルは、決定論的な天気予報のための貴重なツールとして登場し、計算要件を大幅に削減して予測を提供し、従来の NWP モデルの予測パフォーマンスをも上回ります。
ただし、ML モデルをアンサンブル予測に適用すると、課題が発生します。
GenCast や SEEDS モデルなどの最近の ML モデルは、予測生成のために ERA5 データ同化アンサンブル (EDA) または 2 つの運用可能な NWP アンサンブル メンバーに依存しています。
これらのモデルの 1{\deg} または 2{\deg} の空間解像度は、多くのアプリケーションにとって粗すぎると考えられます。
これらの制限を克服するために、6 時間ごとの全球アンサンブル天気予報を最大 15 日間提供するように設計された高度な ML モデルである FuXi-ENS を導入します。
このモデルは、13 の地表変数とともに 13 の圧力レベルでの 5 つの上層大気変数を組み込んで、0.25{\deg} という大幅に向上した空間分解能で実行されます。
FuXi-ENS は、variational AutoEncoder (VAE) の固有の確率的性質を活用することで、連続ランク付け確率スコア (CRPS) と、予測分布とターゲット分布の間の KL 発散を組み合わせた損失関数を最適化します。
この革新的なアプローチは、アンサンブル天気予報の VAE の際に、標準的な VAE モデルで L1 損失と KL 損失を組み合わせた従来の使用法を超える進歩を表しています。
評価結果は、FuXi-ENS が、CRPS 上の 360 の変数と予測リードタイムの​​組み合わせの 98.1% において、世界をリードする NWP モデルである欧州中期天気予報センター (ECMWF) のアンサンブル予測を上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Ensemble weather forecasting is essential for weather predictions and mitigating the impacts of extreme weather events. Constructing an ensemble prediction system (EPS) based on conventional numerical weather prediction (NWP) models is highly computationally expensive. Machine learning (ML) models have emerged as valuable tools for deterministic weather forecasts, providing forecasts with significantly reduced computational requirements and even surpassing the forecast performance of traditional NWP models. However, challenges arise when applying ML models to ensemble forecasting. Recent ML models, such as GenCast and SEEDS model, rely on the ERA5 Ensemble of Data Assimilations (EDA) or two operational NWP ensemble members for forecast generation. The spatial resolution of 1{\deg} or 2{\deg} in these models is often considered too coarse for many applications. To overcome these limitations, we introduce FuXi-ENS, an advanced ML model designed to deliver 6-hourly global ensemble weather forecasts up to 15 days. This model runs at a significantly improved spatial resolution of 0.25{\deg}, incorporating 5 upper-air atmospheric variables at 13 pressure levels, along with 13 surface variables. By leveraging the inherent probabilistic nature of Variational AutoEncoder (VAE), FuXi-ENS optimizes a loss function that combines the continuous ranked probability score (CRPS) and the KL divergence between the predicted and target distribution. This innovative approach represents an advancement over the traditional use of L1 loss combined with the KL loss in standard VAE models when VAE for ensemble weather forecasts. Evaluation results demonstrate that FuXi-ENS outperforms ensemble forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF), a world leading NWP model, on 98.1% of 360 variable and forecast lead time combinations on CRPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google