ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast

要約

機械学習 (ML) に基づくデータ駆動型の天気予報は急速に発展しており、従来の物理ベースの力学モデルと比較して、全球の中距離予報において優れたパフォーマンスを実証しています。
ただし、これらの ML モデルのほとんどは、極値の予測と密接に関係する異常気象を正確に予測するのに苦労しています。
数学的分析を通じて、平均二乗誤差 (MSE) などの対称損失の使用が偏った予測と極値の過小評価につながることを証明します。
この問題に対処するために、非対称最適化を実行し、極端な値を強調表示して正確な極端な天気予報を取得する新しい損失関数である Exloss を導入します。
さらに、ピクセル値の分散を増加させ、予測の堅牢性を向上させる、ExEnsemble というトレーニング不要の極値強化戦略を導入します。
高度な全球天気予報モデルと組み合わせた広範な実験により、当社のソリューションは、上位の中期予報モデルに匹敵する全体的な予報精度を維持しながら、異常気象予測において最先端のパフォーマンスを達成できることが示されています。

要約(オリジナル)

Data-driven weather forecast based on machine learning (ML) has experienced rapid development and demonstrated superior performance in the global medium-range forecast compared to traditional physics-based dynamical models. However, most of these ML models struggle with accurately predicting extreme weather, which is closely related to the extreme value prediction. Through mathematical analysis, we prove that the use of symmetric losses, such as the Mean Squared Error (MSE), leads to biased predictions and underestimation of extreme values. To address this issue, we introduce Exloss, a novel loss function that performs asymmetric optimization and highlights extreme values to obtain accurate extreme weather forecast. Furthermore, we introduce a training-free extreme value enhancement strategy named ExEnsemble, which increases the variance of pixel values and improves the forecast robustness. Combined with an advanced global weather forecast model, extensive experiments show that our solution can achieve state-of-the-art performance in extreme weather prediction, while maintaining the overall forecast accuracy comparable to the top medium-range forecast models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google