[논문 리뷰] Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling

Jaideep Pathak, Yair Cohen외 9명|arXiv (Cornell University)|2024. 08. 20.

Simulation Techniques and Applications인용 수 6

한 줄 요약

StormCast는 HRRR로부터 km 규모 대류를 모사하기 위해 생성 확산 모델을 사용하고, 시노피틱 규모 입력 26개와 함께 3 km 해상도, 1시간 단계의 자동회귀를 가능하게 하며, 1–6시간 예측에서 경쟁력 있는 성능과 현실적인 대류 역학을 달성한다.

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.

연구 동기 및 목표

• km-scale convection prediction의 동기와 CAMs의 빠르고 고해상도 에뮬레이터의 필요성.
• 시노픽 규모 입력에 조건을 두고 km 규모 대기 상태를 모사하기 위한 생성 확산 프레임워크 제안.
• StormCast가 현실적인 대류 및 경쟁력 있는 단기 예측 기술을 생성할 수 있음을 입증.
• 해당 접근 방식이 현실적인 파워 스펙트럼과 다변량 대류 구조를 산출함.

제안 방법

• 1시간 시간 단계에 기반한 고해상도 중규모 상태의 시계열 조건부 분포 p_theta(M_{t+1} | S_t, M_t)을 구성한다.
• 두 단계 학습: (i) 조건 평균을 추정하는 결정론적 회귀 F_theta, (ii) 잔차를 모델링하는 확률적 확산 via elucidated diffusion models (EDM)을 통한 확산.
• 학습은 HRRR을 중규모 대상(Target)로, ERA5를 시노피틱 조건 데이터로 사용하여 3 km 해상도와 125 m–500 m 수직 간격으로 수행한다.
• 학습된 평균 mu_{t+1}과 확산 기반 잔차 r_{t+1}의 조합을 사용하여 p_theta에서 M_{t+1}를 자회귀적으로 샘플화한다.

실험 결과

연구 질문

• RQ1 시노픽 규모 입력에 조건을 두고 km 규모 대기 역학을 학습하여 convection-allowing 모델을 모사할 수 있는 생성 확산 모델이 있는가?
• RQ2 StormCast가 현실적인 km 규모 대류를 생성하고, 단기 예측 능력이 경쟁력이 있으며 물리적으로 일관된 수직 구조를 보이는가?
• RQ3 모델이 km 규모에서 의미 있는 예측 불확실성을 제공하는 probabilistic ensembles를 생성할 수 있는가?

주요 결과

• StormCast는 20dBZ, 30dBZ, 및 40dBZ 임계값에서 합성 레이더 반사도에 대해 1–6 시간 기술이 HRRR 대비 경쟁력 있게 달성된다.
• StormCast 앙상블은 PMM를 통해 수분 상승류와 냉진대 형태를 포함한 현실적인 다변량 대류 역학을 보여준다.
• 여러 변수의 파워 스펙트럼과 확률 분포는 예측 시점 수 시간까지도 현실적으로 남아 있으며, 확산은 소규모 분산을 개선한다.
• 사례 연구는 엔탈피 이상과 gust fronts와 같은 물리적으로 타당한 다변량 대류 특징을 보여준다.
• 모델은 km 규모 예측 및 앙상블의 효율적 생성을 가능하게 하여 지역 ML 기상 예측 및 동역학적 다운스케일링에 대한 가능성을 시사한다.