Generating ensembles of spatially-coherent in-situ forecasts using flow matching

要約

我々は、空間的にコヒーレントかつ多変量である、現場気象予報の後処理のための機械学習ベースの手法を提案する。これまでの研究と比較して、我々のFlow MAtching Postprocessing (FMAP)は観測分布の相関構造をより良く表現し、同時に観測所での限界性能を改善する。FMAPは、基礎となるグリッド予測によってすでにモデル化されているものに縛られない予測を生成し、データから新しい相関構造を推論することができる。その結果、モデルは限られた数の数値シミュレーションから任意の数の予測を生成することができ、低コストの予測システムを可能にする。生成時に複数の学習済みネットワークを使用する他の手法とは対照的に、1回の学習で複数のリードタイムで後処理を実行するのに十分である。本研究では、フローマッチング生成モデリングの枠組みの中で訓練された空間的注意変換器バックボーンを含む、我々の方法論を詳述する。FMAPは、EUPPBenchデータセットを用いた実験において、西ヨーロッパの観測地点における地表面温度と突風値を5日間のリードタイムで予測し、有望な性能を示した。

要約(オリジナル)

We propose a machine-learning-based methodology for in-situ weather forecast postprocessing that is both spatially coherent and multivariate. Compared to previous work, our Flow MAtching Postprocessing (FMAP) better represents the correlation structures of the observations distribution, while also improving marginal performance at the stations. FMAP generates forecasts that are not bound to what is already modeled by the underlying gridded prediction and can infer new correlation structures from data. The resulting model can generate an arbitrary number of forecasts from a limited number of numerical simulations, allowing for low-cost forecasting systems. A single training is sufficient to perform postprocessing at multiple lead times, in contrast with other methods which use multiple trained networks at generation time. This work details our methodology, including a spatial attention transformer backbone trained within a flow matching generative modeling framework. FMAP shows promising performance in experiments on the EUPPBench dataset, forecasting surface temperature and wind gust values at station locations in western Europe up to five-day lead times.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL