[论文解读] Generative Modeling of High-resolution Global Precipitation Forecasts

John S. Duncan, Shashank Subramanian+1 more|arXiv (Cornell University)|Oct 22, 2022

Meteorological Phenomena and Simulations被引用 7

一句话总结

本文提出了一种基于生成对抗网络（GAN）增强的FourCastNet版本，以改进高分辨率全球降水预报，尤其针对极端天气事件。通过在TSIT架构中整合多尺度语义与风格特征，并结合对抗训练，该模型能够捕捉精细尺度的降水结构，并更好地表征极端分位数，在1–2天预报时效内达到最先进水平，同时与IFS模型性能相当。

ABSTRACT

Forecasting global precipitation patterns and, in particular, extreme precipitation events is of critical importance to preparing for and adapting to climate change. Making accurate high-resolution precipitation forecasts using traditional physical models remains a major challenge in operational weather forecasting as they incur substantial computational costs and struggle to achieve sufficient forecast skill. Recently, deep-learning-based models have shown great promise in closing the gap with numerical weather prediction (NWP) models in terms of precipitation forecast skill, opening up exciting new avenues for precipitation modeling. However, it is challenging for these deep learning models to fully resolve the fine-scale structures of precipitation phenomena and adequately characterize the extremes of the long-tailed precipitation distribution. In this work, we present several improvements to the architecture and training process of a current state-of-the art deep learning precipitation model (FourCastNet) using a novel generative adversarial network (GAN) to better capture fine scales and extremes. Our improvements achieve superior performance in capturing the extreme percentiles of global precipitation, while comparable to state-of-the-art NWP models in terms of forecast skill at 1--2 day lead times. Together, these improvements set a new state-of-the-art in global precipitation forecasting.

研究动机与目标

• 解决深度学习模型在捕捉全球预报中精细尺度降水结构及极端分位数方面的局限性。
• 通过数据驱动的生成建模方法，提升高影响极端降水事件的预报技巧。
• 将条件生成对抗网络（cGANs）与多尺度特征融合相结合，实现物理上合理的降水合成。
• 评估对抗训练是否相比仅使用L1损失的基线模型，能增强模型对极端天气事件的捕捉能力与整体预报准确性。
• 通过生成器中的噪声注入机制实现随机推理，从而实现概率性预报。

提出的方法

• 采用TSIT架构实现条件GAN，支持生成器中多尺度条件输入与特征融合。
• 在输入与生成器之间引入噪声流，以实现随机、非确定性的推理，支持概率性集合预报。
• 采用多尺度局部块状判别器，以在降水输出中强制实现真实感的局部与全局空间模式。
• 通过对抗损失、L1损失与感知损失的组合进行模型训练，以平衡真实感与准确性。
• 使用ERA5再分析数据（1979–2015年用于训练，2016–2017年用于验证，2018年用于测试），以6小时累积降水量为目标变量。
• 对降水数据进行对数正态化处理，以提升精细尺度特征的可视化效果与训练稳定性。

实验结果

研究问题

• RQ1 具有多尺度特征条件输入的条件GAN是否能改善全球预报中对精细尺度降水结构的表征？
• RQ2 相比仅使用L1损失的基线模型，对抗训练是否能增强模型对极端降水分位数的捕捉能力？
• RQ3 在1–2天预报时效内，所提模型在预报技巧上与IFS模型相比达到何种程度的匹配或超越？
• RQ4 通过噪声注入实现的随机推理能否生成有意义的概率集合预报，用于降水不确定性量化？
• RQ5 当对预报输出应用平滑处理时，全球指标（如ACC）与极端天气事件表征之间存在何种权衡？

主要发现

• 对抗训练模型在南美洲区域的可视化结果中，比仅使用L1损失的基线模型和FourCastNet更准确地捕捉了更精细的降水结构。
• 该模型在表征极端降水分位数方面表现更优，相比仅使用L1损失的模型和FourCastNet，能更有效地捕捉高强度降水事件。
• 在1–2天预报时效内，该模型在异常相关系数（ACC）指标上与IFS模型相当或更优，表明其预报技巧达到领先水平。
• 在降水占比的分数贡献方面，该模型与ERA5真实值的吻合度更高，尤其在捕捉轻至中等降雨分布方面表现更佳。
• 对输出进行高斯模糊处理会降低极端天气事件的捕捉能力，但会提高ACC值，凸显了全球指标与极端事件保真度之间的权衡。
• 通过噪声注入生成的概率预报在空间-时间变化剧烈的区域（如海岸线和山区）表现出更高的方差，表明其具备合理的不确定性量化能力。