[论文解读] GraphCast: Learning skillful medium-range global weather forecasting

Rémi Lam, Álvaro Sánchez‐González+16 more|arXiv (Cornell University)|Dec 24, 2022

Advanced Graph Neural Networks被引用 169

一句话总结

GraphCast 是一个基于图神经网络的气象模型，使用 ERA5 再分析数据进行训练，能够在 0.25° 分辨率下预测数百种天气变量，长达 10 days 的预报，在多数目标上优于 ECMWF HRES。它运行速度快，并支持极端事件预测。

ABSTRACT

Global medium-range weather forecasting is critical to decision-making across many social and economic domains. Traditional numerical weather prediction uses increased compute resources to improve forecast accuracy, but cannot directly use historical weather data to improve the underlying model. We introduce a machine learning-based method called "GraphCast", which can be trained directly from reanalysis data. It predicts hundreds of weather variables, over 10 days at 0.25 degree resolution globally, in under one minute. We show that GraphCast significantly outperforms the most accurate operational deterministic systems on 90% of 1380 verification targets, and its forecasts support better severe event prediction, including tropical cyclones, atmospheric rivers, and extreme temperatures. GraphCast is a key advance in accurate and efficient weather forecasting, and helps realize the promise of machine learning for modeling complex dynamical systems.

研究动机与目标

• 证明一个数据驱动的 MLWP 模型可以直接从再分析数据训练，以预测全球天气变量至 10 days 前。
• 表明 GraphCast 在大量检验目标上可以优于运行中的确定性系统 HRES。
• 评估 GraphCast 对于严重事件预测的实用性（气旋、大气河流、极端温度）。
• 评估训练数据新近性对预报技能的影响，并讨论局限性与未来方向。

提出的方法

• 使用多网格 refined icosahedral 网格派生的编码–处理–解码 GraphCast 架构。
• 通过逐步预测状态残差进行自回归预测，步长为 6 小时。
• 在 39 年（1979–2017）的 ERA5 再分析数据上进行训练，采用按垂直层权重的 MSE 损失，逐步将自回归步数从 1 增加到 12 步。
• 使用 RMSE 和异常相关系数 (ACC) 在 1380 个目标上比较 GraphCast 与 HRES 的 0.25° 分辨率的 10 天预报。
• 通过 ERA5 作为输入/输出的真实对齐作为基准，并构建一个 HRES-fc0 基线，以确保与类似数据同化窗口的公平比较。
• 在 Google Cloud TPUs 上以 3670 万参数运行 GraphCast，并依赖于 0.25° × 0.25° 网格与 37 个压强层。

实验结果

研究问题

• RQ1 一个在 ERA5 再分析数据上训练的图神经网络是否能够学习预测多变量的天气状态，预测至 10 days 前？
• RQ2 GraphCast 相对于 ECMWF 的 HRES 确定性模型，在跨领先时间的广泛检验目标上的表现如何？
• RQ3 GraphCast 是否在严重事件预测（气旋、大气河流、极端温度）上提供改进，即使并非直接针对它们进行训练？
• RQ4 使用近期训练数据对 GraphCast 的预测技能有何影响？
• RQ5 相较于集成方法，基于确定性 ML 的预测有哪些局限性？

主要发现

• GraphCast 在 1380 个目标中有 90.3% 的目标及 89.9% 的显著优于 HRES，覆盖 0.25° 分辨率的 10 天预报。
• 对于 z500 headline 字段，GraphCast 显示 7–14% 的 RMSE 技能提升，并且 ACC 高于 HRES。
• GraphCast 在大多数变量和层次上保持优越表现；移除最高/最低 50 hPa 层后，优势提升至 96.9%（不含 50 hPa）和 99.7%（不含 50 和 100 hPa）。
• GraphCast 的气旋轨迹在领先时间 18 小时至 4.75 天段内比 HRES 更加准确。
• GraphCast 相较于 HRES，在与大气河流相关的 IVT 预测中有所改进，特别是在较长的提前时间（大约 10–25% 的 RMSE 改进）。
• 在极端高温/低温事件预测方面，GraphCast 在 5–10 天领先时具有更好的精确度-召回率，尽管在 12 小时时 HRES 可能表现更好。