[论文解读] Deep learning for post-processing global probabilistic forecasts on sub-seasonal time scales

Nina Horat, Sebastian Lerch|arXiv (Cornell University)|Jun 28, 2023

Meteorological Phenomena and Simulations被引用 5

一句话总结

本文提出基于卷积神经网络（CNN）的后处理方法，直接作用于ECMWF预报输出的全局空间场，以改进第3–6周的次季节期概率温度和降水预报。这些模型生成空间一致、校准良好的三分位概率预报，显著优于ECMWF再分析再校准方法和气候学基线，其中全球训练的UNet架构在性能与计算效率之间实现了最佳平衡。

ABSTRACT

Sub-seasonal weather forecasts are becoming increasingly important for a range of socio-economic activities. However, the predictive ability of physical weather models is very limited on these time scales. We propose several post-processing methods based on convolutional neural networks to improve sub-seasonal forecasts by correcting systematic errors of numerical weather prediction models. Our post-processing models operate directly on spatial input fields and are therefore able to retain spatial relationships and to generate spatially homogeneous predictions. They produce global probabilistic tercile forecasts for biweekly aggregates of temperature and precipitation for weeks 3-4 and 5-6. In a case study based on a public forecasting challenge organized by the World Meteorological Organization, our post-processing models outperform recalibrated forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF), and achieve improvements over climatological forecasts for all considered variables and lead times. We compare several model architectures and training modes and demonstrate that all approaches lead to skillful and well-calibrated probabilistic forecasts. The good calibration of the post-processed forecasts emphasizes that our post-processing models reliably quantify the forecast uncertainty based on deterministic input information in form of the ECMWF ensemble mean forecast fields only.

研究动机与目标

• 为解决物理数值天气预报模型在次季节时间尺度（第3–6周）预报技巧有限的问题。
• 开发保留预报空间关系的后处理方法，克服基于网格单元的处理方法的局限性。
• 为温度和降水生成全局一致、概率性的三分位预报（低于、接近、高于正常）。
• 评估在完整全球场与局部区域块上训练的深度学习模型的性能，重点关注校准性与预测技巧。
• 证明仅使用确定性ECMWF集合平均场（无需集合离散度）即可通过深度学习可靠地量化预报不确定性。

提出的方法

• 提出四种基于CNN的后处理架构：全局UNet、基于区域块的UNet、带跳跃连接的全局U-Net，以及带注意力机制的基于区域块的U-Net。
• 直接在ECMWF预报变量（如温度、降水）的完整全球空间输入场上进行模型训练，保留空间误差结构。
• 采用空间加权损失函数，以提升区域预报质量，并确保模型在不同气候区间的泛化能力。
• 以三分位概率预报作为输出，通过学习到的非线性变换将原始模型输出映射为概率类别（低于、接近、高于正常）。
• 利用世界气象组织（WMO）组织的S2S AI挑战赛提供的公开ECMWF再分析数据作为输入进行模型训练。
• 通过可靠性图、排名概率技巧得分（RPSS）和校准单纯形评估概率预报质量。

实验结果

研究问题

• RQ1 与标准再校准方法相比，基于完整全球空间场训练的深度学习模型是否能提升次季节期概率预报的校准性与技巧？
• RQ2 直接处理完整空间场是否能比基于网格单元的后处理方法更好地实现空间一致性与误差结构学习？
• RQ3 在次季节预报中，不同CNN架构（如UNet与基于区域块的模型）在预测性能与计算成本方面如何比较？
• RQ4 仅使用确定性ECMWF集合平均场（无需集合离散度）是否可通过深度学习有效生成校准良好的概率预报？
• RQ5 空间加权损失函数在多大程度上提升了区域预报的可靠性，并增强了在不同地理区域的泛化能力？

主要发现

• 全球训练的UNet模型在预测性能上表现最佳，且计算效率最高，显著优于需要更长训练时间的基于区域块的模型。
• 所有提出的基于CNN的后处理模型均生成校准良好的概率预报，证明仅基于确定性ECMWF集合平均场即可实现可靠的不确定性量化。
• 与ECMWF再校准预报及气候学基线相比，这些模型显著提升了预报技巧，所有变量与预报时效的RPSS值均达到百分之几的量级。
• 基于区域块的训练方法在第3–4周的温度预报中略有提升，但对降水预报无明显优势，可能由于信噪比较低。
• 空间加权损失函数可提升区域预报质量，并支持在不改变网络架构的前提下对特定区域进行微调。
• 采用无逐网格单元组件的完整空间场处理方法，使模型更有效地学习空间误差模式，尤其对降水预报具有显著增益。