[論文レビュー] FuXi-Extreme: Improving extreme rainfall and wind forecasts with diffusion model

Xiaohui Zhong, Lei Chen+4 more|arXiv (Cornell University)|Oct 25, 2023

Climate variability and models被引用数 10

ひとこと要約

FuXi-Extreme はデノイジング拡散確率モデルを用いて FuXi の5日間の地表予報の細部を回復し、FuXi および HRES と比較して極端降水量と風予測を改善します。

ABSTRACT

Significant advancements in the development of machine learning (ML) models for weather forecasting have produced remarkable results. State-of-the-art ML-based weather forecast models, such as FuXi, have demonstrated superior statistical forecast performance in comparison to the high-resolution forecasts (HRES) of the European Centre for Medium-Range Weather Forecasts (ECMWF). However, ML models face a common challenge: as forecast lead times increase, they tend to generate increasingly smooth predictions, leading to an underestimation of the intensity of extreme weather events. To address this challenge, we developed the FuXi-Extreme model, which employs a denoising diffusion probabilistic model (DDPM) to restore finer-scale details in the surface forecast data generated by the FuXi model in 5-day forecasts. An evaluation of extreme total precipitation ($ extrm{TP}$), 10-meter wind speed ($ extrm{WS10}$), and 2-meter temperature ($ extrm{T2M}$) illustrates the superior performance of FuXi-Extreme over both FuXi and HRES. Moreover, when evaluating tropical cyclone (TC) forecasts based on International Best Track Archive for Climate Stewardship (IBTrACS) dataset, both FuXi and FuXi-Extreme shows superior performance in TC track forecasts compared to HRES, but they show inferior performance in TC intensity forecasts in comparison to HRES.

研究の動機と目的

• MLモデルが予測を過度に平滑化しがちな気候変動下で、極端イベント予測の改善を動機づける。
• FuXi とデノイジング拡散確率モデル（DDPM）を組み合わせて細かな地表特徴を復元する FuXi-Extreme を開発する。
• ERA5 に対して極端降水量、風速、温度を評価し、IBTrACS に対する熱帯低気圧の予報をベンチマークする。
• FuXi、FuXi-Extreme、HRES の間でTCのトラックと強度予測のトレードオフを評価する。
• 限界を特定し、FuXi-Extreme を高層データや高解像度データへ拡張する方針を提案する。

提案手法

• FuXi-Extreme は凍結された FuXi 基本モデルと、FuXi の出力をノイズ除去して細かな極値を回復する DDPM を組み合わせる。
• DDPM は FuXi の時刻ステップに条件付けられ、MSE ロスを用いて元のターゲット値を直接予測する。
• 順方向の拡散は真の地表変数にガウスノイズを加える; 逆過程は FuXi の予測を条件としてノイズを除去することを学習する。
• FuXi を固定したまま DDPM のパラメータのみを更新し、複数GPU上でスケジュールドロップパス付き AdamW を用いる。
• 評価は極端イベントの CSI および SEDI 指標と、IBTrACS および ERA5 の基準値に対するTCのトラック/強度指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのデノイマー（DDPM）は、FuXi が生成する地表予報の5日間にわたる極端値の精度を高めることができるか？
• RQ2 FuXi-Extreme は、FuXi および ECMWF HRES と比較して、極端 TP、WS10、T2M の予測にどのような差があるか？
• RQ3 HRES および FuXi に対する FuXi-Extreme の熱帯低気圧のトラックと強度予測への影響はどの程度か？
• RQ4 ERA5 基準値と IBTrACS 軌跡にもとづく評価は、トラックと強度のモデル skill について一貫した結论をもたらすか？

主な発見

• FuXi-Extreme は、FuXi および HRES と比較して、5日間予報における極端 WS10 および TP の最も高い CSI スコアを達成している。
• SEDI 分析は、FuXi-Extreme が T2M、TP、WS10 の上位パーセンタイルで FuXi および HRES を上回ることを示している。
• TC トラックでは、FuXi および FuXi-Extreme は0-2日予報で HRES を上回り、長いリードタイムでもトラック予測で上回り続ける。
• TC 強度では、IBTrACSベースの評価では HRES が最良の RMSE を示す一方、FuXi と FuXi-Extreme は ERA5 基準に対して RMSE が改善される。
• FuXi-Extreme の改善は地表の極端変数で最も顕著で、上位大気変数は予報において FuXi と共有されるままである。