[論文レビュー] FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting

Xiaohui Zhong, Lei Chen+8 more|arXiv (Cornell University)|May 9, 2024

Meteorological Phenomena and Simulations被引用数 9

ひとこと要約

FuXi-ENS は確率的な機械学習モデルで、6時間ごとの全球アンサンブル天気予報を0.25°解像度で最大15日間提供し、数多くの指標で ECMWF アンサンブルをほとんどのケースで上回ります。

ABSTRACT

Ensemble forecasting is crucial for improving weather predictions, especially for forecasts of extreme events. Constructing an ensemble prediction system (EPS) based on conventional NWP models is highly computationally expensive. 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 EDA or operational NWP ensemble members for forecast generation. Their spatial resolution is also 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 increased spatial resolution of 0.25 extdegree, incorporating 5 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 CRPS and the KL divergence between the predicted and target distribution, facilitating the incorporation of flow-dependent perturbations in both initial conditions and forecast. This innovative approach makes FuXi-ENS an advancement over the traditional ones that use L1 loss combined with the KL loss in standard VAE models for ensemble weather forecasting. Results demonstrate that FuXi-ENS outperforms ensemble forecasts from the ECMWF, a world leading NWP model, in the CRPS of 98.1% of 360 variable and forecast lead time combinations. This achievement underscores the potential of the FuXi-ENS model to enhance ensemble weather forecasts, offering a promising direction for further development in this field.

研究の動機と目的

• アンサンブル予報の計算コスト削減を動機づけつつ、予報品質を維持または向上させる。
• 高解像度で確率的な予報を生むMLベースのアンサンブル予報システムの開発。
• 変分自己符号化器フレームワークと摂動機構を通じた不確実性の定量化を組み込む。
• 複数の変数とリードタイムにわたってECMWFアンサンブルに対する性能向上を示す。

提案手法

• 0.25°の ERA5 データを用いて、学習済みガウス摂動分布からサンプリングしてアンサンブルを出力する確率的 FuXi-ENS モデルを訓練する。
• 2つの主成分: ガウス N(Θp) を生み出す摂動モデル（VAEベース）と、摂動された初期条件から予測を生成する予報モデル。
• CRPSとKL発散を組み合わせた損失で訓練し、予測分布とターゲット分布を整合させ、CRPS がアンサンブル予測におけるL1損失を上回ることを示す。
• 摂動ガウスからサンプリングし自己回帰予報でアンサンブル成员を生成し、6時間ごとの予報を最大で15日間可能にする。
• 訓練中に知識蒸留を用いて摂動モデルの分布をターゲット分布に揃える。
• AdamW最適化器を用い、8台のNvidia A100 GPUで自己回帰カリキュラム学習を実装する。

実験結果

リサーチクエスチョン

• RQ1 高空間解像度（0.25°）のMLベースのアンサンブル予報は、確率指標で先導的なNWPアンサンブル（ECMWF）を上回ることができるか？
• RQ2 VAEベースの摂動フレームワークでCRPSとKL発散を統合することが、アンサンブル予測の精度と不確実性表現を改善するか？
• RQ3 FuXi-ENS は、<=15日 の中期予報における決定論的およびアンサンブル指標の両方でどのように性能を示すか？
• RQ4 FuXi-ENS は大規模アンサンブルの運用類似の生産に十分な計算効率を持つか？

主な発見

• FuXi-ENS は 60 リードタイムと 6 変数にわたる CRPS 関連の比較 360 件中 360 件で ECMWF アンサンブルを上回る（98.1%）。
• FuXi-ENS は WS850、WS10M、MSL、T2M など複数の変数でアンサンブル平均の性能と極端イベント予測が優れている。
• Z500 では日目4以降に ECMWF を上回り、日目3〜15で引き続き優位; T850 ではほとんどのリードタイムで FuXi-ENS が優れている。
• 本モデルは0.25°解像度で6時間ごとに最大15日間の予報を実行し、Nvidia A100 GPU上で1メンバーあたり約10秒の15日予報。
• FuXi-ENS は ECMWF と同程度のアンサンブルスプレッドを示し、リードタイムとともに単位スプレッド・スキル比へ徐々に近づく過小分散を示す。
• 極端降雨予報（ブライヤースコア）は、百分位、変数、リードタイムを超えた1440ケース中96.3%で FuXi-ENS が ECMWF を上回る。