[논문 리뷰] FuXi Weather: A data-to-forecast machine learning system for global weather
FuXi Weather는 다중 원천 위성 데이터—특히 마이크로파 음향계와 무선 우주굴절 데이터—를 전용 자료 융합 모델(FuXi-DA)을 통해 통합하는 엔드 투 엔드 기계학습 시스템으로, 0.25° 해상도에서 10일간의 전 세계 기상 예보를 정확하게 생성한다. 이 시스템은 ECMWF HRES보다 예측 능력을 0.25일 더 연장하여, 500 hPa 기하학적 높이에 대해 9.5일의 예측 가능성을 확보하며, 희박한 관측 조건에서도 높은 계산 효율성과 강건성을 유지한다.
Weather forecasting traditionally relies on numerical weather prediction (NWP) systems that integrates global observational systems, data assimilation (DA), and forecasting models. Despite steady improvements in forecast accuracy over recent decades, further advances are increasingly constrained by high computational costs, the underutilization of vast observational datasets, and the challenges of obtaining finer resolution. These limitations, alongside the uneven distribution of observational networks, result in global disparities in forecast accuracy, leaving some regions vulnerable to extreme weather. Recent advances in machine learning present a promising alternative, providing more efficient and accurate forecasts using the same initial conditions as NWP. However, current machine learning models still depend on the initial conditions generated by NWP systems, which require extensive computational resources and expertise. Here we introduce FuXi Weather, a machine learning weather forecasting system that assimilates data from multiple satellites. Operating on a 6-hourly DA and forecast cycle, FuXi Weather generates reliable and accurate 10-day global weather forecasts at a spatial resolution of $0.25^\circ$. FuXi Weather is the first system to achieve all-grid, all-surface, all-channel, and all-sky DA and forecasting, extending skillful forecast lead times beyond those of the European Centre for Medium-range Weather Forecasts (ECMWF) high-resolution forecasts (HRES) while using significantly fewer observations. FuXi Weather consistently outperforms ECMWF HRES in observation-sparse regions, such as central Africa, demonstrating its potential to improve forecasts where observational infrastructure is limited.
연구 동기 및 목표
- 계산 비용이 높은 수치 모델에 의존도를 줄이고 확장 가능하며 엔드 투 엔드 기계학습 기반의 전 세계 기상 예측 시스템을 개발하는 것.
- 새로운 자료 융합 프레임워크를 통해 모든 날씨 조건에서 다양한 위성 관측 자료를 통합함으로써 예측 정확도를 향상시키고 예측 유효 기간을 연장하는 것.
- 기계학습 기반 자료 융합 및 예측이 전통적인 수치 기상 예측(NWP) 시스템보다 정확도와 효율성 면에서 뛰어나며, 특히 관측 자료가 제한된 조건에서도 승리할 수 있음을 입증하는 것.
- 통합된 학습 기반 파이프라인을 통해 최소한의 계산 오버헤드로 10일까지의 고해상도, 장기 예측 결정론적 예보를 가능하게 하는 것.
제안 방법
- FuXi-DA는 다중 모달성과 어텐션 기반 신경망을 활용하여, 세 대의 극궤도 위성(마이크로파 음향계)과 글로벌 항법 위성 시스템(GNSS) 무선 우주굴절 데이터를 융합하며, 모든 날씨 조건 하에서 관측 자료를 처리한다.
- 시스템은 6시간 간격의 자료 융합 및 예측 주기로 작동하며, FuXi-DA의 분석 필드가 FuXi 예측 모델의 초기 조건으로 사용된다.
- 관측 자료의 분포 변화를 완화하기 위해, 시간 경과에 따른 성능 유지 목적으로 재현 기반 재학습 전략을 적용한다.
- FuXi 예측 모델은 코스 워크 기반 학습 방식을 사용하여 자동회귀 학습을 수행하며, 각 단계에서 500회 업데이트 동안 예측 단계 수를 2에서 12로 점진적으로 증가시킨다.
- 학습은 4개의 A100 GPU에서 일정 학습률 1×10⁻⁷로 수행되며, 약 24시간 만에 수렴한다.
- 평가에는 RMSE와 이상성 상관 계수(ACC)를 사용하며, 초기화 및 검증을 위해 ERA5 재분석 데이터를 기준으로 삼는다.
실험 결과
연구 질문
- RQ1기계학습 기반 자료 융합 시스템은 다중 원천, 모든 날씨 조건 하의 위성 관측 자료를 효과적으로 융합하여 정확한 대기 초기 상태를 생성할 수 있는가?
- RQ2순수 기계학습 기반 예측 시스템이 기존 수치 기상 예측 시스템보다 예측 정확도와 유효 기간 면에서 얼마나 뛰어나게 성능을 발휘할 수 있는가?
- RQ3이전 모델의 배경 예측이 자료 융합 모듈의 성능에 어떤 영향을 미치는가?
- RQ4개별 위성 기구의 제거가 시스템의 전역 분석 및 예측 정확도에 어떤 영향을 미치는가?
- RQ5지속적인 재학습 없이도 시스템은 장기간에 걸쳐 높은 성능을 유지할 수 있는가, 아니면 정기적 재학습이 강건성 확보에 필수적인가?
주요 결과
- FuXi Weather는 500 hPa 기하학적 높이에 대해 9.5일의 예측 정확도를 확보하여, ECMWF HRES의 9.25일에서 0.25일 더 연장한 바람직한 성능을 보였다.
- 다양한 핵심 대기 변수에서 RMSE와 이상성 상관 계수(ACC) 면에서 ECMWF HRES보다 뛰어난 성능을 보였다.
- 재현 기반 재학습 전략은 모델의 강건성을 크게 향상시켰으며, 2024년 1월에서 4월 사이에 재학습을 하지 않은 경우 15%의 성능 저하를 역전시켰다.
- 어느 하나의 위성 기구라도 제거할 경우 분석 및 예측 정확도에 명백한 악화가 발생했으며, 특히 마이크로파 음향계가 가장 큰 영향을 미쳤다.
- FuXi-DA 모델은 절대 정확도에서 ERA5보다 열 劣하더라도, 충분히 정밀한 분석 필드를 생성하여 예측 모델의 신뢰할 수 있는 초기 조건으로 사용될 수 있었다.
- 전체 시스템은 효율적으로 작동하였으며, DA 학습에서 4,000회의 기울기 하강 업데이트를 위해 단 8시간이 소요되었고, 4개의 A100 GPU에서 전체 예측 모델의 미세조정은 24시간 내에 완료되었다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.