Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling

要約

嵐規模の対流許容モデル (CAM) は、有害な異常気象を引き起こす雷雨や中規模の対流システムの進化を予測するための重要なツールです。
大気内の対流力学を明示的に解決することにより、気象学者は危険についての見通しを提供するために必要な微妙なニュアンスを得ることができます。
深層学習モデルは、これまでのところ、より粗い解像度では最先端の地球規模の中距離天気予報に匹敵するにもかかわらず、キロメートルスケールの大気シミュレーションでは熟練しているとは証明されていません。
我々は、StormCast と呼ばれる生成拡散モデルを紹介します。これは、NOAA の最先端の 3 km 運用 CAM である高解像度ラピッド リフレッシュ (HRRR) モデルをエミュレートします。
StormCast は、26 の総観変数に基づいて、大気境界層の高密度の垂直解像度を使用して、1 時間のタイム ステップを使用して km スケールで 99 の状態変数を自己回帰的に予測します。
私たちは、物理的に現実的な対流クラスターの進化、湿った上昇気流、および冷水プールの形態とともに、複合レーダー反射率の競争力のある 1 ～ 6 時間の予測スキルを含む、km スケールのダイナミクスの学習に成功した証拠を提示します。
StormCast 予測は、複数時間の予測にわたって複数の予測変数の現実的なパワー スペクトルを維持します。
これらの結果を総合すると、自己回帰 ML が CAM をエミュレートできる可能性が確立され、地域の ML 気象予測と将来の気候ハザードの動的なダウンスケーリングのための新しい km スケールのフロンティアが開かれます。

要約(オリジナル)

Storm-scale convection-allowing models (CAMs) are an important tool for predicting the evolution of thunderstorms and mesoscale convective systems that result in damaging extreme weather. By explicitly resolving convective dynamics within the atmosphere they afford meteorologists the nuance needed to provide outlook on hazard. Deep learning models have thus far not proven skilful at km-scale atmospheric simulation, despite being competitive at coarser resolution with state-of-the-art global, medium-range weather forecasting. We present a generative diffusion model called StormCast, which emulates the high-resolution rapid refresh (HRRR) model-NOAA’s state-of-the-art 3km operational CAM. StormCast autoregressively predicts 99 state variables at km scale using a 1-hour time step, with dense vertical resolution in the atmospheric boundary layer, conditioned on 26 synoptic variables. We present evidence of successfully learnt km-scale dynamics including competitive 1-6 hour forecast skill for composite radar reflectivity alongside physically realistic convective cluster evolution, moist updrafts, and cold pool morphology. StormCast predictions maintain realistic power spectra for multiple predicted variables across multi-hour forecasts. Together, these results establish the potential for autoregressive ML to emulate CAMs — opening up new km-scale frontiers for regional ML weather prediction and future climate hazard dynamical downscaling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google