Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging

要約

運用上の気象予測は、物理ベースの数値予測（NWP）モデルに長い間依存してきました。
最近、この景観は、データ駆動型の人工知能（AI）ベースの気象モデルの出現により、途方もない計算パフォーマンスと競争の予測精度を提供することにより、混乱に直面しています。
ただし、中距離予測のデータ駆動型モデルは一般に、効果的な解像度や予測変数の狭い範囲など、大きな制限に悩まされています。
この研究では、物理ベースのGEM（グローバル環境マルチスケール）とAIベースのグラフキャストモデルを使用したこれらの競合するパラダイムの相対的な長所と短所を示しています。
物理的およびスペクトル空間におけるそれぞれのグローバルな予測の分析により、グラフキャストによって予測された微細なスケールが過度の平滑化に苦しんでいるにもかかわらず、グラフキャスト予測の大きなスケールは、特に長いリードタイムで宝石を上回ることがわかります。
この洞察に基づいて、ハイブリッドNWP-AIシステムが提案されています。このシステムでは、GEMによって予測される温度と水平風成分は、大きなスケールでのグラフキャスト予測に向けてスペクトル的に微調整されますが、GEM自体はローカルの予測可能性と極端な天候に重要な詳細を自由に生成します。
このハイブリッドアプローチは、グラフキャストの強みを活用して、GEMモデルの予測スキルを強化しながら、フルパワースペクトルで物理的に一貫した予測フィールドの完全なスイートを生成することができます。
さらに、熱帯低気圧の軌跡は、強度を大幅に変化させることなく、精度を強化して予測されます。
カナダの気象センターでのこのハイブリッドシステムの運用化のための作業が進行中です。

要約(オリジナル)

Operational meteorological forecasting has long relied on physics-based numerical weather prediction (NWP) models. Recently, this landscape has faced disruption by the advent of data-driven artificial intelligence (AI)-based weather models, which offer tremendous computational performance and competitive forecasting accuracy. However, data-driven models for medium-range forecasting generally suffer from major limitations, including low effective resolution and a narrow range of predicted variables. This study illustrates the relative strengths and weaknesses of these competing paradigms using the physics-based GEM (Global Environmental Multiscale) and the AI-based GraphCast models. Analyses of their respective global predictions in physical and spectral space reveal that GraphCast-predicted large scales outperform GEM, particularly for longer lead times, even though fine scales predicted by GraphCast suffer from excessive smoothing. Building on this insight, a hybrid NWP-AI system is proposed, wherein temperature and horizontal wind components predicted by GEM are spectrally nudged toward GraphCast predictions at large scales, while GEM itself freely generates the fine-scale details critical for local predictability and weather extremes. This hybrid approach is capable of leveraging the strengths of GraphCast to enhance the prediction skill of the GEM model while generating a full suite of physically consistent forecast fields with a full power spectrum. Additionally, trajectories of tropical cyclones are predicted with enhanced accuracy without significant changes in intensity. Work is in progress for operationalization of this hybrid system at the Canadian Meteorological Centre.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google