[论文解读] Forecasting Global Weather with Graph Neural Networks

Ryan Keisler|arXiv (Cornell University)|Feb 15, 2022

Meteorological Phenomena and Simulations被引用 126

一句话总结

本论文提出一种利用图神经网络的数据驱动天气预测模型，该模型以6小时为步进演化全球大气状态，在1度网格上对比运营模型，且能够与实时GFS预报集成。

ABSTRACT

We present a data-driven approach for forecasting global weather using graph neural networks. The system learns to step forward the current 3D atmospheric state by six hours, and multiple steps are chained together to produce skillful forecasts going out several days into the future. The underlying model is trained on reanalysis data from ERA5 or forecast data from GFS. Test performance on metrics such as Z500 (geopotential height) and T850 (temperature) improves upon previous data-driven approaches and is comparable to operational, full-resolution, physical models from GFS and ECMWF, at least when evaluated on 1-degree scales and when using reanalysis initial conditions. We also show results from connecting this data-driven model to live, operational forecasts from GFS.

研究动机与目标

• 开发一个可扩展的数据驱动模型，通过将当前3D大气状态前移六小时来预测全局天气。
• 利用图神经网络处理球面几何和密集的多变量大气数据。
• 评估与以往数据驱动方法及基于物理的运营模型的性能。
• 证明与实时、运营预报系统（GFS）兼容，以形成混合物理+ML工作流。

提出的方法

• 采用三组件架构（Encoder、Processor、Decoder），其中 Encoder 将经纬网格数据映射到 icosahedron 潜在网格，Processor 在潜在特征上执行迭代信息传递，Decoder 将其映射回经纬网格以预测 6 小时的状态变化。
• 模型在 1 度网格上对 78 个通道（6 个变量 × 13 个气压层）工作，覆盖 icosahedron 网格上的 5,882 个潜在节点。
• 使用多步回滚损失进行训练（4、8、12 步，对应 1–3 天回滚），并按每个变量的时差方差对损失进行归一化。
• 在 ERA5 再分析数据上训练，并分别在历史 GFS 预报上进行训练，使用静态陆海掩膜和地形以及太阳辐射作为输入。
• 在 NVIDIA A100 硬件上使用梯度和内存效率策略；6 小时步延迟为每步 0.04 秒，使 5 天预报约为 0.8 秒。

实验结果

研究问题

• RQ1 一个数据驱动的、基于图神经网络的模型是否能够在 1 度分辨率上比以往的数据驱动方法具有更高的保真度来预测全球天气？
• RQ2 当在密集的大气数据上使用多步损失训练时，6 小时步长的自回归 rollout 对多天预报的表现如何？
• RQ3 相对于在再分析初始化基准上评估时，GNN 基预测器在与运营 NWP 模型（GFS/ECMWF）上的匹配与接近程度在多大程度上？
• RQ4 将数据驱动的预报引擎与实时运营预报（例如 GFS）耦合以产生准确、及时的混合预报是否可行？

主要发现

• 该模型学习在 1 度网格上对 78 通道的 6 小时状态变化进行预测，并可以回滚多步以在数日内产生预报。
• 基于 ERA5 的测试中，数据驱动的预报优于以往的数据驱动模型，并且在具有再分析初始条件的 1 度尺度上与生产级 GFS/ECMWF 的性能相当。
• 与 GFS v15.2 和 2020 年的 ECMWF 生产水平相比，在对极区外部评估并对截断进行平滑处理时，数据驱动模型通常优于 GFS，且与 ECMWF 相当。
• 数据驱动模型可连接到实时 GFS 数据，形成一个混合系统，在已发布更新之前就预测到预测到预测之间的变化，以 3 天 rollout 为例示。
• 该方法在大约 6 天的 rollout 上表现稳定，超过此范围出现六角形不稳定性，可能通过方法学调整来解决。