[论文解读] Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model

Yingkai Sha, Ryan A. Sobash+1 more|arXiv (Cornell University)|Oct 9, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用 3

一句话总结

本文提出了一种新颖的深度学习框架，将条件生成对抗网络（CGANs）与卷积神经网络（CNN）相结合，从确定性对流允许模型（CAM）输出生成合成集合预报，用于概率性强天气预测。该方法在Brier技能评分（BSS）上相较基线模型最高提升20%，并通过对可靠集合离散度的生成，提升了不确定性量化能力。

ABSTRACT

An ensemble post-processing method is developed for the probabilistic prediction of severe weather (tornadoes, hail, and wind gusts) over the conterminous United States (CONUS). The method combines conditional generative adversarial networks (CGANs), a type of deep generative model, with a convolutional neural network (CNN) to post-process convection-allowing model (CAM) forecasts. The CGANs are designed to create synthetic ensemble members from deterministic CAM forecasts, and their outputs are processed by the CNN to estimate the probability of severe weather. The method is tested using High-Resolution Rapid Refresh (HRRR) 1--24 hr forecasts as inputs and Storm Prediction Center (SPC) severe weather reports as targets. The method produced skillful predictions with up to 20% Brier Skill Score (BSS) increases compared to other neural-network-based reference methods using a testing dataset of HRRR forecasts in 2021. For the evaluation of uncertainty quantification, the method is overconfident but produces meaningful ensemble spreads that can distinguish good and bad forecasts. The quality of CGAN outputs is also evaluated. Results show that the CGAN outputs behave similarly to a numerical ensemble; they preserved the inter-variable correlations and the contribution of influential predictors as in the original HRRR forecasts. This work provides a novel approach to post-process CAM output using neural networks that can be applied to severe weather prediction.

研究动机与目标

• 开发一种后处理方法，以提升从确定性CAM预报中进行概率性强天气预测的能力。
• 通过使用深度生成模型生成合成集合成员，解决对流允许模型中集合规模有限的挑战。
• 利用混合深度学习方法，提升龙卷风、冰雹和阵风等天气事件的预报技能与不确定性量化能力。
• 评估CGAN生成的预报是否保留了关键气象关系与预测因子的重要性。
• 证明条件生成模型作为大规模数值集合的可扩展替代方案的可行性。

提出的方法

• 训练条件生成对抗网络（CGAN），从确定性高分辨率快速刷新（HRRR）预报中生成合成集合成员。
• 将CGAN输出输入卷积神经网络（CNN）分类器，以估计格点上的强天气事件概率。
• 在CNN中应用蒙特卡洛Dropout以实现不确定性量化与集合学习。
• 模型在HRRRv4预报（1–24小时预报时效）上进行训练与测试，并与风暴预测中心（SPC）2021年的强天气报告进行验证。
• 该方法直接在原始模型网格上运行，避免了先前研究中使用的上采样步骤。
• 通过Brier技能评分（BSS）、离散度-技能可靠性以及剔除测试评估模型性能，额外分析了模式相关性与排列特征重要性。

Figure 1: The 3-km grid spacing HRRR domain with shaded elevation. (b) The 80-km grid spacing CONUS domain with grid-point-wise severe weather climatological probabilities. (c) An example of a CONUS domain grid cell and its surrounding 64-by-64 HRRR cells. The locations and boundaries of grid cells

实验结果

研究问题

• RQ1 基于CGAN的方法能否生成合成集合预报，从而提升从确定性CAM输出中进行概率性强天气预测的能力？
• RQ2 与无生成集合的基线神经网络方法相比，CGAN-CNN框架的预报技能如何？
• RQ3 与原始HRRR预报相比，CGAN生成的预报在多大程度上保留了变量间相关性及关键预测因子的影响？
• RQ4 CGAN输出的集合离散度在多大程度上量化了预测不确定性？能否区分可靠与不可靠的预报？
• RQ5 CGAN生成的集合能否同时提升强天气概率预报的分辨率与可靠性？

主要发现

• CGAN-CNN框架相较基线模型，Brier技能评分（BSS）最高提升20%，短时效预报BSS达0.2，长时效预报BSS约为0.1。
• BSS提升在东北部美国和大平原地区最为显著，这些地区频繁发生强天气。
• 空间分析显示，CGAN集合通过在实际发生强天气的区域发布更高概率，实现了更好的分辨率。
• CGAN集合表现出更优的离散度-技能可靠性，并在剔除测试中优于基线模型，表明其在区分好与坏预报方面具有更强的判别能力。
• CGAN输出保留了对流单体的位置，并通过模式相关性测量显示，其保持了与原始HRRR预报相似的变量间相关性。
• 排列特征重要性分析表明，CGAN生成的预测因子与基于HRRR的对应因子保持相同的相对重要性，证实了预测结构的一致性。

Figure 2: Technical steps of the CGAN ensemble (a), CNN ensemble (b), and MLP ensemble (c).