[论文解读] Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks

Rüdiger Brecht, Alex Bihlo|arXiv (Cornell University)|May 18, 2022

Meteorological Phenomena and Simulations参考文献 32被引用 34

一句话总结

本文提出使用条件生成对抗网络（cGANs）直接从单个确定性500 hPa位势高度预报中预测集合预报的离散度，从而绕过昂贵的集合模拟。该方法将pix2pix架构适配至三维时空数据，并在RMSE方面显著优于气候学和持续性基线，SSIM指标也更高，模型平均进一步提升了精度。

ABSTRACT

Ensemble prediction systems are an invaluable tool for weather forecasting. Practically, ensemble predictions are obtained by running several perturbations of the deterministic control forecast. However, ensemble prediction is associated with a high computational cost and often involves statistical post-processing steps to improve its quality. Here we propose to use deep-learning-based algorithms to learn the statistical properties of an ensemble prediction system, the ensemble spread, given only the deterministic control forecast. Thus, once trained, the costly ensemble prediction system will not be needed anymore to obtain future ensemble forecasts, and the statistical properties of the ensemble can be derived from a single deterministic forecast. We adapt the classical pix2pix architecture to a three-dimensional model and also experiment with a shared latent space encoder-decoder model, and train them against several years of operational (ensemble) weather forecasts for the 500 hPa geopotential height. The results demonstrate that the trained models indeed allow obtaining a highly accurate ensemble spread from the control forecast only.

研究动机与目标

• 通过用单次确定性预报替代多次NWP模拟，降低集合天气预报的计算成本。
• 仅从确定性控制预报中学习集合预报的统计离散度，利用深度学习方法。
• 通过生成无需运行完整集合系统即可获得准确、高分辨率的集合离散度估计，提升预报不确定性量化能力。
• 探究深度学习是否能有效从有限的业务集合数据中捕捉大气变异性与分散模式。
• 探索cGAN在业务气象学中作为传统集合预报系统的替代品的潜力。

提出的方法

• 将2D pix2pix条件生成对抗网络架构适配至三维时空数据，实现从确定性预报到集合离散度的成对视频到视频转换。
• 在2010–2020年共10年的业务ECMWF IFS数据（0.5°分辨率）上训练3D pix2pix3D模型，以500 hPa位势高度为输入，集合离散度为输出。
• 构建共享潜在空间编码器-解码器架构作为辅助模型，用于性能比较与泛化能力提升。
• 应用蒙特卡洛Dropout及多组独立训练网络的模型平均，以增强鲁棒性并减少振荡行为。
• 采用条件生成对抗网络框架，使用U-Net结构的生成器和3D PatchGAN判别器，确保预测离散度在空间和时间上的一致性。
• 通过对抗损失、L1损失和感知相似性（SSIM）联合优化模型，以平衡生成结果的保真度与真实感。

实验结果

研究问题

• RQ1 仅从确定性预报训练的深度学习模型，能否准确重建业务集合系统的统计离散度？
• RQ2 3D条件生成对抗网络在预测集合离散度方面，与气候学和持续性等传统基线相比表现如何？
• RQ3 模型平均或蒙特卡洛Dropout是否能提升预测集合离散度的可靠性与准确性？
• RQ4 该模型在多大程度上捕捉了真实的气象变异性，尤其是考虑到真实集合系统通常存在离散度不足的问题？
• RQ5 单次确定性预报能否生成符合业务标准的、高分辨率的真实感集合离散度，而无需运行多次模拟？

主要发现

• 3D pix2pix3D模型在测试集上RMSE为39.850，平均SSIM为0.789，显著优于气候学基线（RMSE: 51.747，SSIM: 0.722）和持续性基线（RMSE: 53.184，SSIM: 0.700）。
• 多组独立训练网络的模型平均将RMSE降至35.075，SSIM提升至0.831，表明鲁棒性增强且振荡行为减少。
• 采用蒙特卡洛Dropout进一步提升性能，RMSE为38.773，SSIM为0.807，表明不确定性量化能力更好。
• 预测的集合离散度略大于真实值，表明模型可能更有效地捕捉了真实大气变异性，而业务系统常低估此现象。
• 在奥斯陆、西雅图、开普敦等城市的视觉对比显示，pix2pix3D模型在后期预报步长上生成的离散度模式比基线更真实、更具动力一致性。
• 结果表明，基于深度学习的模型能够有效从单一确定性预报中学习大气不确定性中复杂的时空统计依赖关系。