[论文解读] FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models

Lei Chen, Xiaohui Zhong+9 more|arXiv (Cornell University)|Dec 15, 2023

Climate variability and models被引用 4

一句话总结

FuXi-S2S 是一种深度学习模型，在全球次季节天气预报中表现优于传统的数值天气预报（NWP）模型（如 ECMWF S2S），在提前36天内对总降水量、大气长波辐射、500 hPa位势高度以及密克罗尼西亚-索罗门振荡（MJO）的预测中均展现出更优的技巧性。该模型采用增强版 FuXi 基础模型，结合流依赖性扰动与 Perlin 噪声，提升了在42天预报时效内对5个高层大气变量和11个地表变量的预报可靠性和准确性。

ABSTRACT

Skillful subseasonal forecasts are crucial for various sectors of society but pose a grand scientific challenge. Recently, machine learning based weather forecasting models outperform the most successful numerical weather predictions generated by the European Centre for Medium-Range Weather Forecasts (ECMWF), but have not yet surpassed conventional models at subseasonal timescales. This paper introduces FuXi Subseasonal-to-Seasonal (FuXi-S2S), a machine learning model that provides global daily mean forecasts up to 42 days, encompassing five upper-air atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S, trained on 72 years of daily statistics from ECMWF ERA5 reanalysis data, outperforms the ECMWF's state-of-the-art Subseasonal-to-Seasonal model in ensemble mean and ensemble forecasts for total precipitation and outgoing longwave radiation, notably enhancing global precipitation forecast. The improved performance of FuXi-S2S can be primarily attributed to its superior capability to capture forecast uncertainty and accurately predict the Madden-Julian Oscillation (MJO), extending the skillful MJO prediction from 30 days to 36 days. Moreover, FuXi-S2S not only captures realistic teleconnections associated with the MJO, but also emerges as a valuable tool for discovering precursor signals, offering researchers insights and potentially establishing a new paradigm in Earth system science research.

研究动机与目标

• 开发一种基于机器学习的次季节天气预报模型，使其在技巧性和计算效率方面超越传统的基于物理的数值天气预报（NWP）模型。
• 通过改进对总降水量、2米气温及500 hPa位势高度等关键变量的预测，解决次季节预报中的“可预报性沙漠”问题。
• 提升对极端天气事件及密克罗尼西亚-索罗门振荡（MJO）这类次季节可预报性主要来源的预报可靠性和技巧性。
• 实现无需依赖NWP模型输出的直接全球次季节预报，降低计算成本，并支持大规模集合预报生成。

提出的方法

• FuXi-S2S 采用在72年逐日 ERA5 再分析数据上训练的增强版 FuXi 基础模型，覆盖5个高层大气变量和11个地表大气变量，共13个气压层次。
• 模型集成扰动模块，对隐藏特征施加流依赖性扰动，提升预报多样性与可靠性。
• 采用 Perlin 噪声对初始条件进行扰动，增强集合预报的发散性并降低预报偏差。
• 模型可生成长达42天的确定性预报与集合预报，涵盖5个高层大气变量和11个地表变量。
• 通过排名概率评分（RPS）、Brier 技巧评分（BSS）以及MJO振幅与相位的相关性（COR）对性能进行评估。
• MJO 通过基于 OLR、850 hPa 东风分量及200 hPa 风场的实时多变量MJO（RMM）指数进行追踪，以 COR ≥ 0.5 作为技巧性预测的阈值。

实验结果

研究问题

• RQ1 机器学习模型能否在关键大气变量的全球次季节预报中超越传统NWP模型（如 ECMWF S2S）？
• RQ2 流依赖性扰动与 Perlin 噪声的整合是否能提升次季节预报的可靠性和技巧性？
• RQ3 深度学习模型在多大程度上能比 ECMWF S2S 更准确地预测极端降水事件？
• RQ4 该模型能否将密克罗尼西亚-索罗门振荡（MJO）的技巧性预测时长延长至30天以上，如 ECMWF S2S 所示？
• RQ5 该模型在预测全球2米气温（T2M）方面表现如何，特别是在陆地区域？

主要发现

• 在所有预报时效（长达42天）中，FuXi-S2S 在总降水量（TP）、大气长波辐射（OLR）及500 hPa位势高度（Z500）的确定性与集合预报中均优于 ECMWF S2S。
• 该模型在全球范围内对极端降水事件的预测技巧更高，Brier 技巧评分（BSS）优于 ECMWF S2S。
• 对于密克罗尼西亚-索罗门振荡（MJO），FuXi-S2S 将技巧性预测时长从30天延长至36天，在36天预报时效下相关性（COR）达到0.5。
• 在预测全球2米气温（T2M）方面，该模型与 ECMWF S2S 表现相当，但在陆地区域具有明显优势。
• 流依赖性扰动与 Perlin 噪声的使用显著提升了预报可靠性与集合发散性，从而增强了概率预报性能。