[论文解读] Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet

Melissa Adrian, Daniel Sanz-Alonso+1 more|arXiv (Cornell University)|May 21, 2024

Big Data Technologies and ApplicationsDecision Sciences被引用 3

一句话总结

本文提出将FourCastNet——一种深度学习天气代理模型——整合进3DVar变分数据同化框架，以实现从稀疏、噪声观测中对长期天气状态进行准确且稳定的估计与预报。尽管FourCastNet本身具有长期不稳定性，该方法在完整一年的时长内仍实现了稳定的重建误差和高保真度预报，证明其在极端天气事件预测中的实际应用潜力。

ABSTRACT

Modern data-driven surrogate models for weather forecasting provide accurate short-term predictions but inaccurate and nonphysical long-term forecasts. This paper investigates online weather prediction using machine learning surrogates supplemented with partial and noisy observations. We empirically demonstrate and theoretically justify that, despite the long-time instability of the surrogates and the sparsity of the observations, filtering estimates can remain accurate in the long-time horizon. As a case study, we integrate FourCastNet, a weather surrogate model, within a variational data assimilation framework using partial, noisy ERA5 data. Our results show that filtering estimates remain accurate over a year-long assimilation window and provide effective initial conditions for forecasting tasks, including extreme event prediction.

研究动机与目标

• 评估机器学习天气代理模型在真实条件下（稀疏、噪声观测）用于业务数据同化任务的实用性。
• 探究像FourCastNet这样不稳定的代理模型，是否仍能在与变分数据同化结合后，于长时间序列中产生稳定且准确的滤波估计。
• 评估基于FourCastNet的3DVar初始化预报在短期及极端天气事件预测中的有效性，特别是针对台风。
• 为观测稀疏性和模型不稳定性背景下滤波估计的观测稳定性提供理论依据。
• 探索将粗分辨率NWP预报作为背景场输入代理模型数据同化系统，以降低计算成本同时保持精度的潜力。

提出的方法

• 利用FourCastNet作为快速、可微分的天气代理模型，在全球0.25°分辨率的大气状态空间中生成短期预报。
• 应用3DVar变分数据同化框架，将FourCastNet预报与低分辨率、带噪声的ERA5再分析数据作为观测代理进行融合。
• 采用3DVar代价函数，平衡预报模型动力学与观测约束，最小化观测与模型状态之间的不匹配度。
• 使用固定的背景误差协方差矩阵 $ C $，未来可通过物理信息引导的调优进行改进。
• 在12个月的时间窗口内执行长期同化，以评估滤波估计的稳定性和准确性。
• 从同化状态出发进行集合预报，以评估不确定性量化和极端天气事件预测性能。

(a) a

实验结果

研究问题

• RQ1 已知长期不稳定的机器学习天气代理模型，是否仍能在与变分数据同化结合后，产生稳定且准确的滤波估计？
• RQ2 与直接插值相比，使用噪声大、分辨率低的观测（$4.5^\circ$）进行3DVar初始化，在极端天气事件预报中的准确性如何？
• RQ3 尽管存在观测稀疏性和噪声，基于FourCastNet的数据同化是否仍能实现长时间序列内物理上合理且稳定的重构？
• RQ4 在代理模型系统中，使用粗分辨率NWP预报作为背景场对同化过程有何影响？
• RQ5 基于代理模型的3DVar初始化预报在预测台风等极端天气事件的强度和路径方面有多有效？

主要发现

• 尽管代理模型本身具有长期不稳定性，基于FourCastNet的3DVar滤波过程在完整的12个月同化窗口内仍保持了稳定的重建误差。
• 使用噪声大、插值后的$4.5^\circ$观测进行3DVar初始化，其预报结果比直接插值观测更准确、更符合物理现实，尤其在捕捉台风Mawar的眼墙结构和强度方面表现更优。
• 对台风Mawar的10米风速和平均海平面气压的3DVar初始化预报结果与真实ERA5数据高度吻合，显著优于直接使用原始插值观测初始化的预报。
• 可视化结果表明，3DVar同化结果能生成合理的天气模式，并在多个预报步骤中保持风速场和气压场的保真度。
• 通过集合预报，该方法实现了有效的不确定性量化，支持极端天气事件的实时决策。
• 为滤波估计的稳定性提供了理论依据：即使底层代理模型不稳定，变分框架的正则化效应仍能保证估计的稳定性。

(b) b