[논문 리뷰] FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models

Lei Chen, Xiaohui Zhong외 9명|arXiv (Cornell University)|2023. 12. 15.

Climate variability and models인용 수 4

한 줄 요약

FuXi-S2S는 전통적인 수치기상예보(NWP) 모델인 ECMWF S2S보다 뛰어난 성능을 보이며, 전 세계의 초기기상예보에서 총 강수량, 지구방사열, 500 hPa 기압지면, 멕켄주얼-줄리안 진동(MJO)을 최대 36일 전까지 예측하는 데 뛰어난 능력을 보인다. 이 모델은 유동에 따라 변하는 교란을 적용하고 Perlin 노이즈를 사용하여 예보의 신뢰성과 정확도를 향상시키기 위해 개선된 FuXi 기반 모델을 사용하며, 42일의 예보 리드 타임 동안 5개의 고공 및 11개의 지표면 변수에 대해 성능 향상을 이룬다.

ABSTRACT

Skillful subseasonal forecasts are crucial for various sectors of society but pose a grand scientific challenge. Recently, machine learning based weather forecasting models outperform the most successful numerical weather predictions generated by the European Centre for Medium-Range Weather Forecasts (ECMWF), but have not yet surpassed conventional models at subseasonal timescales. This paper introduces FuXi Subseasonal-to-Seasonal (FuXi-S2S), a machine learning model that provides global daily mean forecasts up to 42 days, encompassing five upper-air atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S, trained on 72 years of daily statistics from ECMWF ERA5 reanalysis data, outperforms the ECMWF's state-of-the-art Subseasonal-to-Seasonal model in ensemble mean and ensemble forecasts for total precipitation and outgoing longwave radiation, notably enhancing global precipitation forecast. The improved performance of FuXi-S2S can be primarily attributed to its superior capability to capture forecast uncertainty and accurately predict the Madden-Julian Oscillation (MJO), extending the skillful MJO prediction from 30 days to 36 days. Moreover, FuXi-S2S not only captures realistic teleconnections associated with the MJO, but also emerges as a valuable tool for discovering precursor signals, offering researchers insights and potentially establishing a new paradigm in Earth system science research.

연구 동기 및 목표

• 기존의 물리 기반 수치기상예보(NWP) 모델보다 성능과 계산 효율성이 뛰어난 기계학습 기반의 초기기상예보 모델을 개발하는 것.
• 초기기상예보에서의 '예측 가능성 빈곤지대' 문제를 해결하기 위해 총 강수량, 2m 기온, 500 hPa 기압지면 등 핵심 변수의 예측 능력을 향상시키는 것.
• 극단적인 기상 현상과 멕켄주얼-줄리안 진동(MJO)과 같은 주요 초기기상예보 가능성 원천에 대한 예보의 신뢰성과 정확도를 향상시키는 것.
• NWP 모델 출력에 의존하지 않고 직접 전 세계적인 초기기상예보를 가능하게 하여 계산 비용을 줄이고 대규모 앙상블 생성을 가능하게 하는 것.

제안 방법

• FuXi-S2S는 72년 분량의 매일 기록된 ERA5 재분석 데이터를 기반으로 훈련된 개선된 FuXi 기반 모델을 사용하며, 13개 압력 수준에서 5개의 고공 및 11개의 지표면 대기 변수를 다룬다.
• 유동에 따라 변하는 교란을 적용하는 교란 모듈을 통합하여 예보의 다양성과 신뢰성을 향상시킨다.
• Perlin 노이즈를 사용해 초기 조건을 교란함으로써 앙상블 분산을 향상시키고 예보 편향을 감소시킨다.
• 최대 42일까지의 결정론적 및 앙상블 예보를 생성하며, 5개의 고공 및 11개의 지표면 변수에 대한 예측을 수행한다.
• 예보 성능 평가에는 순위 확률 점수(RPS), 브라이어 스킬 점수(BSS), MJO 진폭 및 위상에 대한 상관계수(COR)를 사용한다.
• MJO는 OLR, 850 hPa의 동서 방향 바람, 200 hPa의 바람을 기반으로 유도된 실시간 다변량 MJO(RMM) 지표를 사용하며, 스킬 있는 예보를 위해 상관계수 기준 0.5 이상을 설정한다.

실험 결과

연구 질문

• RQ1 기계학습 기반 모델이 총 강수량, 지구방사열, 500 hPa 기압지면 등 핵심 대기 변수에 대해 전 세계적인 초기기상예보에서 ECMWF S2S와 같은 전통적인 NWP 모델을 능가할 수 있는가?
• RQ2 유동에 따라 변하는 교란과 Perlin 노이즈의 통합이 초기기상예보의 예측 정확도와 신뢰성 향상에 기여하는가?
• RQ3 딥러닝 모델이 ECMWF S2S보다 극단적인 강수량 예측을 얼마나 더 정확하게 수행할 수 있는가?
• RQ4 MJO의 예측 가능 예측 수명을 ECMWF S2S가 30일까지 기록한 바와 같이 36일로 연장할 수 있는가?
• RQ5 모델은 특히 대륙 지역에서 전 세계 2m 기온(T2M) 예측에 대해 어떻게 성능을 보이는가?

주요 결과

• FuXi-S2S는 최대 42일의 예측 리드 타임 동안 총 강수량(TP), 지구방사열(OLR), 500 hPa 기압지면(Z500)에 대해 결정론적 및 앙상블 예보에서 ECMWF S2S를 모두 능가하는 성능을 보였다.
• 모델은 전 세계적으로 극단적인 강수량 예측에 있어 더 높은 브라이어 스킬 점수(BSS)를 기록하며 뛰어난 정확도를 보였다.
• MJO에 대해서는 예측 가능 예측 수명을 30일에서 36일로 연장하였으며, 36일 리드 타임에서 상관계수(COR)가 0.5에 도달하였다.
• 전 세계 2m 기온(T2M) 예측에 있어서는 ECMWF S2S와 유사한 성능를 보였지만, 대륙 지역에서는 뚜렷한 우월성이 나타났다.
• 유동에 따라 변하는 교란과 Perlin 노이즈의 사용은 예보의 신뢰성과 앙상블 분산을 크게 향상시켜 더 나은 확률적 성능 기여하였다.