[论文解读] Deep learning for improved global precipitation in numerical weather prediction systems

Manmeet Singh, Bipin Kumar+5 more|arXiv (Cornell University)|Jun 20, 2021

Meteorological Phenomena and Simulations参考文献 28被引用 21

一句话总结

本文提出一种基于深度学习的方法，采用残差U-Net架构，以改进数值天气预报中的全球降水预报。该模型在立方球面投影的再分析数据上进行训练，其网格点和区域平均相关性技巧相较于印度气象局的业务化模型提高了两倍，表明其在提升天气系统中物理过程表征方面的潜力。

ABSTRACT

The formation of precipitation in state-of-the-art weather and climate models is an important process. The understanding of its relationship with other variables can lead to endless benefits, particularly for the world's monsoon regions dependent on rainfall as a support for livelihood. Various factors play a crucial role in the formation of rainfall, and those physical processes are leading to significant biases in the operational weather forecasts. We use the UNET architecture of a deep convolutional neural network with residual learning as a proof of concept to learn global data-driven models of precipitation. The models are trained on reanalysis datasets projected on the cubed-sphere projection to minimize errors due to spherical distortion. The results are compared with the operational dynamical model used by the India Meteorological Department. The theoretical deep learning-based model shows doubling of the grid point, as well as area averaged skill measured in Pearson correlation coefficients relative to operational system. This study is a proof-of-concept showing that residual learning-based UNET can unravel physical relationships to target precipitation, and those physical constraints can be used in the dynamical operational models towards improved precipitation forecasts. Our results pave the way for the development of online, hybrid models in the future.

研究动机与目标

• 解决数值天气预报系统中全球降水预报存在的持续性偏差问题。
• 探究深度学习是否能够模拟降水形成中的复杂物理关系。
• 开发一种数据驱动且具备物理先验知识的模型，以提升季风影响区域的预报精度。
• 证明将学习到的物理约束整合到业务化动力模型中的可行性。
• 为未来在线混合天气预报系统奠定基础。

提出的方法

• 采用带有残差学习的U-Net卷积神经网络，从大气变量建模全球降水。
• 将数据投影到立方球面网格上，以减少全球建模中的球面畸变。
• 在覆盖全球大气状况和观测降水的再分析数据集上进行模型训练。
• 使用网格点和区域平均水平的皮尔逊相关系数评估模型性能。
• 将训练好的深度学习模型与印度气象局使用的业务化动力模型进行对比。
• 该架构支持对降水形成过程中空间和时间依赖关系的端到端学习。

实验结果

研究问题

• RQ1 在再分析数据上训练的深度学习模型是否能相较于业务化动力模型提升全球降水预报的准确性？
• RQ2 带有残差学习的U-Net在多大程度上能够捕捉控制降水形成的物理关系？
• RQ3 立方球面投影的使用对全球降水建模中的模型性能有何影响？
• RQ4 与业务系统相比，该深度学习模型在相关系数上的技巧提升程度如何？
• RQ5 从数据中学习到的物理关系是否可用于指导并增强传统的数值天气预报系统？

主要发现

• 与业务化动力模型相比，深度学习模型的网格点相关性技巧提高了一倍。
• 所提出模型的区域平均相关性技巧也相较于业务系统提高了一倍。
• 该模型在捕捉全球降水的空间和时间模式方面表现出显著改进。
• 在U-Net架构中使用残差学习增强了特征学习能力和模型稳定性。
• 结果表明，数据驱动的深度学习模型能够有效学习并表征降水形成中的复杂物理过程。
• 本研究为将学习到的物理约束整合到未来的混合数值-机器学习天气预报系统中提供了概念验证。