[논문 리뷰] GenCast: Diffusion-based ensemble forecasting for medium-range weather

Ilan Price, Álvaro Sánchez‐González외 10명|arXiv (Cornell University)|2023. 12. 25.

Meteorological Phenomena and Simulations인용 수 61

한 줄 요약

GenCast는 1°×1° 해상도에서 15일간의 글로벌 기상 앙상블을 생성하는 ML 기반 확산 모델로, 여러 확률 지표에서 ENS를 능가하면서 계산 효율이 높습니다. 84개 변수에 대해 물리적으로 일관되고 시공간적으로 응집력 있는 예보를 생성합니다.

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.

연구 동기 및 목표

• 영향이 큰 분야에서 불확실성 하 의사결정을 위한 확률적 예측의 필요성을 제고한다.
• RMSE 중심 ML 모델의 한계를 공동 시공간 분포와 물리적 일관성을 모델링함으로써 해결한다.
• 기상 궤적의 앙상블을 생성하기 위한 확산 기반 생성 모델을 개발한다.
• 재분석 데이터로 학습하여 1°1° 해상도로 15일간의 전역 84개 변수 예측을 생성한다.

제안 방법

• X^t|X^{t-2:t-1}를 예측하는 확산 디노이저를 사용하여 X^{t-1}에 대한 잔차 Z^t를 예측한다.
• 잔차 샘플링을 사용하여 X^t = X^{t-1} + S Z^t(강수량의 경우: X^t = S Z^t).
• 향상된 icosahedral 메시에서 희소 트랜스포머 프로세서를 채택하여 시공간 조건화를 처리한다.
• 변수, 수평 및 면적 가중 격셀에 대해 가중된 MSE 목적함수로 D_theta를 학습한다.
• 예측 타임스텝당 20단계에 걸친 ODE 기반 솔버(DPMSolver++)로 샘플링해 15일 간의 궤적을 생성한다.
• 확률적 샘플링을 위해 ERA5 재분석(ERA5-EDA 섭동 포함)에서 앙상블을 초기화한다.

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

실험 결과

연구 질문

• RQ1 확산 기반 ML 모델이 1°1° 해상도에서 최대 15일간의 확률적이고 물리적으로 일관된 기상 앙상블을 생성할 수 있는가?
• RQ2 GenCast가 CRPS, Ensemble-Mean RMSE, 극값 지표에서 작동 중인 ENS 앙상블보다 더 높은 성능과 신뢰성을 달성하는가?
• RQ3 ML 기반 앙상블이 전통적인 NWP 앙상블과 비교하여 물리적으로 그럴듯한 스펙트럴 특성을 보존하는가?
• RQ4 장기 예보를 생성할 때 GenCast의 계산 효율성은 전통적인 NWP 앙상블에 비해 어떠한가?
• RQ5 여러 변수와 예측 기간에 걸친 극한 이벤트 예측(Brier 점수)에서 GenCast 앙상블의 성능은 어떠한가?

주요 결과

• GenCast는 15일 기간까지의 리드에서 CRPS에서 ENS를 97.3%의 사례에서, Ensemble-Mean RMSE에서 96.4%의 사례에서 능가한다.
• 대기 변수에 대해 평균 CRPS 개선 4.8%, 지표면 변수에 대해 7.9% 개선; RMSE 개선은 대기 3.5%, 지표면 5.4%이다.
• GenCast는 신뢰성과 물리적으로 일관된 파워 스펙트럼을 유지하며 GraphCast-Perturbed보다 지상실제에 더 가까운 고주파 성분을 보존한다.
• GenCast는 시공간 일관성을 갖춘 날카롭고 다양성 있는 앙상블 멤버를 보여주며 RMSE 학습 모델에서 흔히 보이는 블러링을 피한다.
• 극한 이벤트 예측(Brier 점수)에서 GenCast는 97.6%의 사례에서 ENS를 능가하며, 테스트된 이벤트 전체에서 평균 12.6%의 개선을 보인다.

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