[论文解读] FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting

Xiaohui Zhong, Lei Chen+8 more|arXiv (Cornell University)|May 9, 2024

Meteorological Phenomena and Simulations被引用 9

一句话总结

FuXi-ENS 是一个概率性 ML 模型，提供高达 15 天、0.25° 分辨率的 6 小时全球集合天气预报，在多数指标上超过 ECMWF 集合。

ABSTRACT

Ensemble forecasting is crucial for improving weather predictions, especially for forecasts of extreme events. Constructing an ensemble prediction system (EPS) based on conventional NWP models is highly computationally expensive. ML models have emerged as valuable tools for deterministic weather forecasts, providing forecasts with significantly reduced computational requirements and even surpassing the forecast performance of traditional NWP models. However, challenges arise when applying ML models to ensemble forecasting. Recent ML models, such as GenCast and SEEDS model, rely on the ERA5 EDA or operational NWP ensemble members for forecast generation. Their spatial resolution is also considered too coarse for many applications. To overcome these limitations, we introduce FuXi-ENS, an advanced ML model designed to deliver 6-hourly global ensemble weather forecasts up to 15 days. This model runs at a significantly increased spatial resolution of 0.25 extdegree, incorporating 5 atmospheric variables at 13 pressure levels, along with 13 surface variables. By leveraging the inherent probabilistic nature of Variational AutoEncoder (VAE), FuXi-ENS optimizes a loss function that combines the CRPS and the KL divergence between the predicted and target distribution, facilitating the incorporation of flow-dependent perturbations in both initial conditions and forecast. This innovative approach makes FuXi-ENS an advancement over the traditional ones that use L1 loss combined with the KL loss in standard VAE models for ensemble weather forecasting. Results demonstrate that FuXi-ENS outperforms ensemble forecasts from the ECMWF, a world leading NWP model, in the CRPS of 98.1% of 360 variable and forecast lead time combinations. This achievement underscores the potential of the FuXi-ENS model to enhance ensemble weather forecasts, offering a promising direction for further development in this field.

研究动机与目标

• 推动在保持或提升预报质量的同时，降低集合预报的计算成本。
• 开发基于 ML 的集合预报系统，提供高分辨率、概率性预报。
• 通过变分自编码器框架和扰动机制引入不确定性量化。
• 在多变量和不同预报时效上展示相对于 ECMWF 集合的性能提升。

提出的方法

• 使用 0.25° 的 ERA5 数据训练一个概率性 FuXi-ENS 模型，该模型通过从学得的高斯扰动分布中采样来输出集合。
• 两个主要组成部分：一个扰动模型（基于 VAE）产生高斯分布 N(Θp)，以及一个从扰动初始条件生成预报的预测模型。
• 使用结合 CRPS 和 KL 散度的损失来对齐预测分布和目标分布，CRPS 在集合预报中被证明优于 L1 损失。
• 通过对扰动高斯进行采样并自回归地进行预报来产生集合成员，从而实现 6 小时步长、长达 15 天的预测。
• 在训练期间使用知识蒸馏将扰动模型的分布与目标分布对齐。
• 在 8 个 Nvidia A100 GPU 上使用 AdamW 优化器实现自回归的课程化训练策略。

实验结果

研究问题

• RQ1 在高空间分辨率（0.25°）的 ML 基于集合预报是否能够在概率性指标上超过领先的数值天气预报集合（ECMWF）？
• RQ2 在基于 VAE 的扰动框架中将 CRPS 与 KL 散度结合是否提高了集合预报能力和不确定性表示？
• RQ3 FuXi-ENS 在中期预报（最多 15 天）对确定性指标和集合指标的表现如何？
• RQ4 FuXi-ENS 的计算效率是否足以用于具有操作性特征的大规模集合的生产？

主要发现

• FuXi-ENS 在 60 个预报时效和 6 个变量下的 360 次 CRPS 相关对比中全部优于 ECMWF 集合（360/360，98.1%）。
• FuXi-ENS 在多个变量上提供更优的集合平均表现和极端事件预报，包括 WS850、WS10M、MSL 和 T2M。
• 对于 Z500，FuXi-ENS 在第 4 天之后超过 ECMWF，并在第 3 至 15 天保持更好；对于 T850，FuXi-ENS 在大多数预报时效上表现更好。
• 该模型以 0.25° 分辨率和 6 小时步长运行，最长 15 天；在 Nvidia A100 GPU 上，每个成员的 15 天预报约 10 秒。
• FuXi-ENS 产生的集合分布散度可与 ECMWF 相当，并显示出欠分散性，随时效的增加逐渐接近单位散度-技能比。
• 极端降雨预报（Brier Score）显示 FuXi-ENS 在 1440 个案例中以百分位、变量和时效的组合，优于 ECMWF 的比例为 96.3%。