[논문 리뷰] FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting

Xiaohui Zhong, Lei Chen외 8명|arXiv (Cornell University)|2024. 05. 09.

Meteorological Phenomena and Simulations인용 수 9

한 줄 요약

FuXi-ENS는 0.25° 해상도에서 최대 15일간 6시간 간격 글로벌 앙상블 기상 예보를 제공하는 확률 ML 모델로, 다수의 지표에서 ECMWF 앙상블보다 우수하게 나타납니다.

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.

연구 동기 및 목표

• 앙상블 예보의 계산 비용을 줄이면서 예보 품질을 유지하거나 향상시키는 동기를 부여한다.
• 고해상도 확률 예보를 산출하는 ML 기반의 앙상블 예측 시스템을 개발한다.
• 변분 오토인코더 프레임워크와 perturbation 메커니즘을 통해 불확실성 정량화를 포함한다.
• 다양한 변수와 선행 시간에 대해 ECMWF 앙상블에 비해 성능 향상을 입증한다.

제안 방법

• 0.25°의 ERA5 데이터를 사용하여 학습된 가우시안 섭동 분포에서 샘플링해 앙상블을 출력하는 확률적 FuXi-ENS 모델을 훈련한다.
• 두 가지 주요 구성요소: 학습된 가우시안 N(Θp)을 생성하는 섭동 모델(VAE 기반)과 섭동된 초기 조건으로 예측을 생성하는 예측 모델.
• CRPS와 KL 발산의 조합 손실로 예측 분포와 목표 분포를 정렬하도록 학습하며, 엔셈블 예보에서 CRPS가 L1 손실보다 우수함이 입증된다.
• 섭동 가우시안에서 샘플링하고 자기회귀적으로 예측하여 6시간 간격의 예보를 15일까지만 가능하게 하는 앙상블 멤버를 생성한다.
• 학습 중에 perturbation 모델 분포를 대상 분포에 맞추기 위해 지식 증류를 활용한다.
• AdamW 옵티마이저와 함께 8대 Nvidia A100 GPU에서 자기회귀 커리큘럼 학습 체계를 구현한다.

실험 결과

연구 질문

• RQ1 고해상도(0.25°) ML 기반 앙상블 예보가 확률적 지표에서 선도적인 NWP 앙상블(ECMWF)을 능가할 수 있는가?
• RQ2 VAE 기반 섭동 프레임워크에서 CRPS와 KL 발산을 통합하는 것이 앙상블 예측 기술과 불확실성 표현을 향상시키는가?
• RQ3 FuXi-ENS가 중기 예보(최대 15일)에서 결정론적 및 앙상블 지표 전반에 걸쳐 어떤 성능을 보이는가?
• RQ4 FuXi-ENS가 대규모 앙상블의 운영형 생산에 충분히 계산 효율적인가?

주요 결과

• FuXi-ENS는 60개 선도 기간과 6개 변수에 걸쳐 CRPS 관련 비교 360건 중 360건(98.1%)에서 ECMWF 앙상블을 능가한다.
• FuXi-ENS는 WS850, WS10M, MSL, T2M 등 여러 변수에서 앙상블 평균 성능과 극한 현상 예측이 우수하다.
• Z500의 경우 FuXi-ENS는 4일 이후 ECMWF를 상회하고 3일에서 15일까지 계속 더 낫다; T850의 경우 대다수 선행 시간에서 FuXi-ENS가 더 낫다.
• 모델은 0.25° 해상도와 6시간 간격으로 15일까지 실행되며, Nvidia A100 GPU에서 멤버당 15일 예보당 대략 10초의 수행 시간을 보인다.
• FuXi-ENS는 ECMWF와 비슷한 앙상블 분산을 보이고, 선행 시간이 길어질수록 단위 스프레드와의 비율에 점차 수렴하는 언더디스퍼 현상을 보인다.
• 극한 강우 예보(Brier Score)는 백분위, 변수, 선행 시간에 걸친 1440건 중 96.3%에서 FuXi-ENS가 ECMWF를 능가하는 것으로 나타난다.