[论文解读] Global Extreme Heat Forecasting Using Neural Weather Models

Ignacio Lopez‐Gomez, Amy McGovern+2 more|arXiv (Cornell University)|May 23, 2022

Meteorological Phenomena and Simulations被引用 14

一句话总结

本文提出使用针对极端温度异常设计的自定义损失函数来训练神经天气模型（NWMs），以提升全球次季节尺度热浪预测能力。通过采用指数损失函数（尤其是对称指数损失）优化极端事件，模型显著优于标准NWMs和持续性预测，其次季节尺度预测技能与ECMWF相当，但计算成本低得多。

ABSTRACT

Heat waves are projected to increase in frequency and severity with global warming. Improved warning systems would help reduce the associated loss of lives, wildfires, power disruptions, and reduction in crop yields. In this work, we explore the potential for deep learning systems trained on historical data to forecast extreme heat on short, medium and subseasonal timescales. To this purpose, we train a set of neural weather models (NWMs) with convolutional architectures to forecast surface temperature anomalies globally, 1 to 28 days ahead, at $\sim200~\mathrm{km}$ resolution and on the cubed sphere. The NWMs are trained using the ERA5 reanalysis product and a set of candidate loss functions, including the mean squared error and exponential losses targeting extremes. We find that training models to minimize custom losses tailored to emphasize extremes leads to significant skill improvements in the heat wave prediction task, compared to NWMs trained on the mean squared error loss. This improvement is accomplished with almost no skill reduction in the general temperature prediction task, and it can be efficiently realized through transfer learning, by re-training NWMs with the custom losses for a few epochs. In addition, we find that the use of a symmetric exponential loss reduces the smoothing of NWM forecasts with lead time. Our best NWM is able to outperform persistence in a regressive sense for all lead times and temperature anomaly thresholds considered, and shows positive regressive skill compared to the ECMWF subseasonal-to-seasonal control forecast after two weeks.

研究动机与目标

• 利用数据驱动的深度学习模型改进全球极端高温事件的次季节尺度预测。
• 解决基于物理的模型在极端高温预测中超过10天预报时效后性能下降的问题。
• 评估通用NWMs是否可通过微调实现极端事件预测，同时不损害其通用预报能力。
• 探究针对极端温度异常设计的自定义损失函数是否能提升预报的锐度与准确性。
• 证明通过极少微调的迁移学习即可在极端高温预测中实现显著性能提升。

提出的方法

• 在ERA5再分析数据上训练卷积神经天气模型（NWMs），在立方球面网格上以约200公里分辨率预测2米温度异常值。
• 采用多尺度架构处理全球大气场，并预测未来1至28天的温度异常。
• 使用多种损失函数进行训练：均方误差（MSE）、标准指数损失和对称指数损失。
• 通过迁移学习方法，仅对预训练的NWM进行少量微调（几轮训练），并使用针对极端事件的损失函数，以适应极端事件预测任务。
• 采用年份互不重叠的块自抽样方法（block bootstrapping），基于有限测试集估计预报指标的不确定性。
• 使用回归技能指标（如中心化异常相关系数、去偏均方根误差）对高温异常事件进行条件评估，以衡量极端事件下的预报性能。

实验结果

研究问题

• RQ1 基于历史再分析数据训练的深度学习模型能否在全球范围内以足够长的提前期预测极端高温事件，从而支持有效减缓措施？
• RQ2 与标准MSE损失相比，使用强调极端温度异常的自定义损失函数训练NWMs是否能提升预报准确性？
• RQ3 是否可通过聚焦极端事件的训练方式提升预测技能，同时不降低通用温度预报性能？
• RQ4 对称指数损失的使用如何影响预报的锐度与时间上的分布保真度？
• RQ5 通过极少微调的迁移学习在多大程度上可实现极端高温预测的高技能水平？

主要发现

• 使用对称指数损失训练的NWMs在预测极端高温事件方面显著优于标准MSE训练的模型，尤其在较长预报提前期表现更优。
• 表现最佳的模型（ExtNet）在所有测试的预报提前期和温度异常阈值下，其回归技能均优于持续性预测。
• 当预报提前期超过两周后，ExtNet在回归技能上优于ECMWF的次季节-季节尺度控制预报。
• 通过自定义损失函数训练可显著提升极端事件预测技能，同时对通用温度预报性能的损害极小。
• 对称指数损失可减少预报随提前期增加而产生的平滑效应，从而保持预报的锐度。
• 仅通过几轮微调即可在极端事件损失上进行迁移学习，即可实现显著的性能提升，无需重新训练整个模型。