[論文レビュー] GenCast: Diffusion-based ensemble forecasting for medium-range weather

Ilan Price, Álvaro Sánchez‐González+10 more|arXiv (Cornell University)|Dec 25, 2023

Meteorological Phenomena and Simulations被引用数 61

ひとこと要約

GenCastは、1°×1°解像度で15日間の全球天気エンセムルを生成するMLベースの拡散モデルで、複数の確率指標でENSを上回りつつ計算コストも効率的です。84変数について、物理的に一貫性があり、時空的に一貫した予報を生成します。

ABSTRACT

Weather forecasts are fundamentally uncertain, so predicting the range of probable weather scenarios is crucial for important decisions, from warning the public about hazardous weather, to planning renewable energy use. Here, we introduce GenCast, a probabilistic weather model with greater skill and speed than the top operational medium-range weather forecast in the world, the European Centre for Medium-Range Forecasts (ECMWF)'s ensemble forecast, ENS. Unlike traditional approaches, which are based on numerical weather prediction (NWP), GenCast is a machine learning weather prediction (MLWP) method, trained on decades of reanalysis data. GenCast generates an ensemble of stochastic 15-day global forecasts, at 12-hour steps and 0.25 degree latitude-longitude resolution, for over 80 surface and atmospheric variables, in 8 minutes. It has greater skill than ENS on 97.4% of 1320 targets we evaluated, and better predicts extreme weather, tropical cyclones, and wind power production. This work helps open the next chapter in operational weather forecasting, where critical weather-dependent decisions are made with greater accuracy and efficiency.

研究の動機と目的

• 高影響分野での不確実性下の意思決定のための確率予測を動機づける。
• RMSEに焦点を当てたMLモデルの限界に対処するため、結合した時空間分布と物理的一貫性をモデル化する。
• 天気軌道のエンセムルを生成する拡散ベースの生成モデルを開発する。
• 再分析データで訓練し、1°×1°解像度で15日間の全球予報を84変数に対して生成する。

提案手法

• X^tをX^{t-2:t-1}に条件付けした拡散ノイズ除去器でZ^tの残差を予測するモデル化。
• 残差サンプリングを用いてX^t = X^{t-1} + S Z^t（降水量: X^t = S Z^t）を行う。
• 空間-時間条件付けを扱う refined icosahedral メッシュ上の疎な Transformer Processorを採用する。
• 変数・レベル・面積加重グリッドセルに対する重み付きMSE目的関数でD_thetaを訓練する。
• 予報タイムステップごとに20ステップのODEベースの解法（DPMSolver++）でサンプリングし、15日間の軌跡を生成する。
• 確率的サンプリングのため ERA5再解析（ERA5-EDA摂動を加えたものを含む）からエンセムルを初期化する。

Figure 1: Schematic of GenCast. A future atmospheric state $X^{t+1}$ is produced by iteratively refining a candidate state initialized purely from noise, conditioned on the previous two atmospheric states ( $X^{t-1}$ and $X^{t}$ ), though for simplicity the schematic only shows conditioning on the p

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのMLモデルは、最大15日間の1°×1°解像度で確率的かつ物理的に一貫した天気エンセムルを生成できるか。
• RQ2 GenCastはCRPS、 Ensemble-Mean RMSE、極端イベント指標で運用ENSエンセムルより高い熟練度と信頼性を達成するか。
• RQ3 MLベースのエンセムルは従来のNWPエンセムルと比較して物理的に妥当なスペクトル特性を保持するか。
• RQ4 長期予報を生成する際のGenCastの計算効率は従来のNWPエンセムルと比較してどうか。
• RQ5 GenCastエンセムルは複数の変数とリードタイムに渡る極端イベント予測（ブライアースコア）でどのように性能を示すか。

主な発見

• GenCastは15日間のリードタイムにわたってCRPSで97.3%のケース、Ensemble-Mean RMSEで96.4%のケースでENSを上回る。
• GenCastは大気変数で平均CRPSを4.8%、地表変数で7.9%の改善を達成；RMSEの改善は大気で3.5%、地表で5.4%である。
• GenCastは信頼性と物理的に一貫したパワースペクトルを維持し、Ground truthに近い高周波成分をGraphCast-Perturbedよりも保つ。
• GenCastは時空的整合性を備えたシャープで多様なエンセムルを示し、RMSEを訓練目的とするモデルに典型的なぼやけを回避する。
• 極端イベント予測（ブライアースコア）は、テストイベント全体で97.6%のケースでENSを上回り、平均12.6%の改善を示す。

Figure 2: Predictive skill of GenCast compared to ENS and GraphCast-Perturbed, evaluated using probabilistic metrics over ensembles of trajectories. (a) Ensemble-Mean RMSE Skill of longitudinal wind at 850hPa, relative to ENS (lower is better). (b) CRPS Skill of temperature at 700hPa (lower is bette