[论文解读] Fixing the Double Penalty in Data-Driven Weather Forecasting Through a Modified Spherical Harmonic Loss Function

Christopher Subich, Syed Zahid Husain+2 more|ArXiv.org|Jan 31, 2025

Meteorological Phenomena and Simulations被引用 3

一句话总结

该论文提出一种无参数损失函数 AMSE，将谱振幅误差与数据驱动天气预测中的去相关性分离，并展示通过 AMSE 微调 GraphCast 可获得更锐利的预报、更高的有效分辨率、改进的集合发散度，以及对热带气旋预测的提升。

ABSTRACT

Recent advancements in data-driven weather forecasting models have delivered deterministic models that outperform the leading operational forecast systems based on traditional, physics-based models. However, these data-driven models are typically trained with a mean squared error loss function, which causes smoothing of fine scales through a "double penalty" effect. We develop a simple, parameter-free modification to this loss function that avoids this problem by separating the loss attributable to decorrelation from the loss attributable to spectral amplitude errors. Fine-tuning the GraphCast model with this new loss function results in sharp deterministic weather forecasts, an increase of the model's effective resolution from 1,250km to 160km, improvements to ensemble spread, and improvements to predictions of tropical cyclone strength and surface wind extremes.

研究动机与目标

• 解决使用 MSE 训练的确定性数据驱动天气预报中的平滑（双重惩罚）问题。
• 提出一种无参数的损失修改，将谱振幅误差与去相关性解耦。
• 证明在修改后的损失下对 GraphCast 进行微调可获得更锐利的预报和更高的有效分辨率。
• 评估对集合发散度和热带气旋/强度预测的改进。
• 讨论对其他网格和场景的局限性、扩展性及适用性。

提出的方法

• 使用球面谐函数对谱进行分解以分离幅度项和相干性项。
• 将 AMSE 定义为改进的 MSE：AMSE(x,y)= sum_k (sqrt(PSD_k(x)) - sqrt(PSD_k(y)))^2 + 2 max(PSD_k(x), PSD_k(y)) (1 - Coh_k(x,y)).
• 在现有基线的基础上对一个运行中的 GraphCast 检查点进行微调（¼°、13 层），在分阶段课程中使用 AMSE 损失进行单步到多步预报。
• 维持逐变量、逐层的加权与归一化以处理异质单位和量级。
• 在以 HRES 为真值的 2022 年数据上进行评估，使用滞后集合检验和 CRPS/eRMSE/发散度指标。
• 讨论将该方法扩展到其他网格以及对集合/ML 预报的潜在应用。

实验结果

研究问题

• RQ1 一个具备谱感知的无参数损失函数是否能在确定性数据驱动天气预报中提高锐度和有效分辨率？
• RQ2 与 MSE 相比，AMSE 是否在提高细尺度谱方差的同时保持或提升预测技能？
• RQ3 AMSE 微调对集合发散度和热带气旋强度预报有何影响？
• RQ4 该方法是否可转移到其他网格类型或全球大气预报以外的湍流类应用？
• RQ5 自回归多步训练与 AMSE 目标在维持变异性方面如何互动？

主要发现

• AMSE 微调获得更锐利的预报，且在较长前向期将有效分辨率从约 1250 公里提升至 160 公里。
• 滞后集合检验显示在 AMSE 下 CRPS 持续改善，表明发散度更好校准且预测技能未降低（eRMSE 基本不变）。
• AMSE 相较对照模型在热带气旋强度预测和风速极值方面有所提升，更贴近地面真值分析。
• AMSE AR12 模型在风暴位置准确性方面与基线相当，同时恢复了风暴强度的真实感并减少了弱强度偏差。
• 带有 AMSE 的自回归多步训练在中等尺度上引入了一些平滑，但比未修改的 MSE 方案更好地保持了细尺度变异性。
• 该方法被呈现为无参数（无尺度截断），并有潜在适用于其他谱分解场或类似湍流问题的可能性。