[論文レビュー] Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling

Jaideep Pathak, Yair Cohen+9 more|arXiv (Cornell University)|Aug 20, 2024

Simulation Techniques and Applications被引用数 6

ひとこと要約

StormCast は HRRR からkm級対流を模倣する生成的拡散モデルを用い、3 km 解像度と 26 のシノプティック入力を組み合わせた自己回帰の 1 時間ステップを可能にし、1–6 時間予報において競争力のあるスキルと現実的な対流ダイナミクスを達成する。

ABSTRACT

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.

研究の動機と目的

• km 級対流予測の動機付けと、CAM の高速・高解像エミュレータの必要性。
• シノプティック規模の入力で条件付けられた km 級大気状態を模倣する生成的拡散フレームワークを提案する。
• StormCast が現実的な対流を生み出し、短期予報の競争力のある技能を示す。
• このアプローチが現実的なパワースペクトルと多変量対流構造を生み出すことを示す。

提案手法

• 1時間の時間ステップに基づいて、高解像度のメソススケール状態の時間ステップ付き条件付き分布 p_theta(M_{t+1} | S_t, M_t) を形式化する。
• 2 段階の学習を用いる: (i) 条件付き平均を推定する決定論的回帰 F_theta、(ii) 残差をモデル化するための elucidated diffusion models (EDM) による確率的拡散。
• HRRR をメソスケールのターゲットとして、ERA5 をシノプティック条件データとして訓練し、解像度は 3 km、垂直間隔は 125 m–500 m。
• 学習済みの平均 mu_{t+1} と拡散ベースの残差 r_{t+1} を組み合わせて p_theta から自己回帰的に M_{t+1} をサンプルする。

実験結果

リサーチクエスチョン

• RQ1 シノプティック規模の入力を条件付けとして、km-scale 大気ダイナミクスを学習し、対流許容モデルを模倣できる生成的拡散モデルは成立するか。
• RQ2 StormCast は現実的な km-scale 対流を生み出し、競争力のある短期予報スキルと物理的に一貫した垂直構造を示すか。
• RQ3 モデルは km スケールで意味のある予報不確実性を提供する確率的エンサンブルを生成できるか。

主な発見

• StormCast は HRRR と比較して 20dBZ、30dBZ、40dBZ の閾値で複合レーダ反射率の競争力のある 1–6 時間スキルを達成する。
• PMM を介した StormCast のエンサンブルは、水分の上昇流や寒気塊形態を含む現実的な多変量対流ダイナミクスを示す。
• 数時間先までのリードタイムでも、いくつかの変数のパワースペクトルと確率分布が現実的であり、拡散は小尺度分散を改善する。
• ケーススタディは、エンタルピ―異常と風加速前線と一致した上昇流など、物理的にもっともらしい多変量対流特徴を示す。
• このモデルは km 級予報とエンサンブルの効率的生成を可能にし、地域 ML 天気予報と動力学的ダウンスケーリングの潜在的可能性を示唆する。