[论文解读] Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks

Lasse Espeholt, Shreya Agrawal+8 more|arXiv (Cornell University)|Nov 14, 2021

Meteorological Phenomena and Simulations被引用 40

一句话总结

MetNet-2 是一个用于降水预测的概率性神经网络，能够提前至 12 小时预测，在 CONUS 区域的 HRRR 和 HREF 等最先进基于物理的模型之上实现更高的技能水平，而无需依赖大气模拟。它通过大上下文、 lead-time 条件化 和 模型并行来在 1 km 分辨率下提供 1 km2 的预报。

ABSTRACT

The problem of forecasting weather has been scientifically studied for centuries due to its high impact on human lives, transportation, food production and energy management, among others. Current operational forecasting models are based on physics and use supercomputers to simulate the atmosphere to make forecasts hours and days in advance. Better physics-based forecasts require improvements in the models themselves, which can be a substantial scientific challenge, as well as improvements in the underlying resolution, which can be computationally prohibitive. An emerging class of weather models based on neural networks represents a paradigm shift in weather forecasting: the models learn the required transformations from data instead of relying on hand-coded physics and are computationally efficient. For neural models, however, each additional hour of lead time poses a substantial challenge as it requires capturing ever larger spatial contexts and increases the uncertainty of the prediction. In this work, we present a neural network that is capable of large-scale precipitation forecasting up to twelve hours ahead and, starting from the same atmospheric state, the model achieves greater skill than the state-of-the-art physics-based models HRRR and HREF that currently operate in the Continental United States. Interpretability analyses reinforce the observation that the model learns to emulate advanced physics principles. These results represent a substantial step towards establishing a new paradigm of efficient forecasting with neural networks.

研究动机与目标

• 以神经网络方法作为物理基础、以 HPC 驱动的短期天气预报的替代方案来提供动机。
• 开发一个能够以 1 km × 1 km 空间分辨率预测降水，预测时间可达 12 小时前的模型。
• 证明大上下文和提前期条件化使预测超越外推和现在演算，具有可观的技能。
• 展示概率预报并在不依赖大气模拟的情况下量化不确定性。

提出的方法

• 开发 MetNet-2，一种概率性深度网络，通过将降水率划分为 512 个类别来预测离散分布。
• 使用 2048 km × 2048 km 的输入上下文和 512 km × 512 km 的目标补丁，以捕获大尺度上下文。
• 在网络层中使用指数膨胀卷积，使感受野呈指数级扩展。
• 通过一个单热编码将提前期条件化，其以乘法和加法方式调制卷积层。
• 在 16 个 TPU 核上应用模型并行，以处理大上下文和目标补丁。
• 在雷达、HRRR 同化状态、卫星影像和其他地基观测数据上训练，将输入映射到输出分布。

实验结果

研究问题

• RQ1 在 CONUS 区域，MetNet-2 是否能在 12 小时降水预报上超越物理基础的短期预报（HRRR/HREF）？
• RQ2 神经网络是否能够在不依赖明确大气模拟的情况下学习现实的概率预报和不确定性？
• RQ3 输入上下文大小和提前期条件化如何影响预测技能和不确定性量化？
• RQ4 对 MetNet-2 的后处理或与数值天气预报（NWP）预报混合的变体是否在更长的提前期上带来额外的提升？
• RQ5 模型从数据中学会模仿哪些物理机制或模式（例如上层大气动力学的某些方面）？

主要发现

• MetNet-2 在多种降水强度范围内，对即时降水和逐小时累计降水的度量，在 12 小时内均优于 HRRR 和 HREF。
• MetNet-2 在概率度量（CRPS、CRPSS、Brier Score）和分类度量（CSI）上，均优于基于物理的集合模型。
• 该模型在降水模式差异较大的多样区域中仍表现出色，与物理基础的后处理和混合方法比较时，提升仍然存在。
• 提前期条件化和大上下文是关键；移除提前期条件化或限制膨胀会降低性能。
• 使用集成梯度的分析表明，模型学会依赖类似物理的模式（例如上层涡度与提前期相关性随时间增加），这表明对大气物理的学习性模仿。