[论文解读] Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling

Jaideep Pathak, Yair Cohen+9 more|arXiv (Cornell University)|Aug 20, 2024

Simulation Techniques and Applications被引用 6

一句话总结

StormCast 使用生成性扩散模型从 HRRR 模拟公里尺度对流，使自回归的 1 小时步长具有 3 公里分辨率和 26 个天气尺度输入，在 1–6 小时预报中实现有竞争力的技能，并具有真实的对流动力学。

ABSTRACT

Storm-scale convection-allowing models (CAMs) are an important tool for predicting the evolution of thunderstorms and mesoscale convective systems that result in damaging extreme weather. By explicitly resolving convective dynamics within the atmosphere they afford meteorologists the nuance needed to provide outlook on hazard. Deep learning models have thus far not proven skilful at km-scale atmospheric simulation, despite being competitive at coarser resolution with state-of-the-art global, medium-range weather forecasting. We present a generative diffusion model called StormCast, which emulates the high-resolution rapid refresh (HRRR) model-NOAA's state-of-the-art 3km operational CAM. StormCast autoregressively predicts 99 state variables at km scale using a 1-hour time step, with dense vertical resolution in the atmospheric boundary layer, conditioned on 26 synoptic variables. We present evidence of successfully learnt km-scale dynamics including competitive 1-6 hour forecast skill for composite radar reflectivity alongside physically realistic convective cluster evolution, moist updrafts, and cold pool morphology. StormCast predictions maintain realistic power spectra for multiple predicted variables across multi-hour forecasts. Together, these results establish the potential for autoregressive ML to emulate CAMs -- opening up new km-scale frontiers for regional ML weather prediction and future climate hazard dynamical downscaling.

研究动机与目标

• 推动公里尺度对流预测，以及对 CAM 的快速、高分辨率仿真器的需求。
• 提出一个生成性扩散框架，以条件化天气尺度输入来模拟公里尺度大气状态。
• 证明 StormCast 能产生真实的对流并具备有竞争力的短期预报能力。
• 展示该方法产生的功率谱和多变量对流结构具有现实性。

提出的方法

• 基于 1 小时时间步，提出高分辨率中尺度状态的时间步条件分布 p_theta(M_{t+1} | S_t, M_t)。
• 使用两阶段学习：(i) 确定性回归 F_theta 以估计条件均值，(ii) 通过显化扩散模型（EDM）进行随机扩散以建模残差。
• 以 HRRR 作为中尺度目标，ERA5 作为天气尺度条件数据进行训练，分辨率为 3 km，垂直间距为 125 m–500 m。
• 自回归地从 p_theta 采样 M_{t+1}，使用学习得到的均值 mu_{t+1} 与基于扩散的残差 r_{t+1} 的组合。

实验结果

研究问题

• RQ1 生成性扩散模型是否能够在天气尺度输入条件下学习公里尺度大气动力学，以模拟对流允许模型？
• RQ2 StormCast 是否能产生真实的公里尺度对流，具有有竞争力的短程技能和物理一致的垂直结构？
• RQ3 模型是否能够生成提供有意义预报不确定性的概率集合，在公里尺度？

主要发现

• StormCast 在 20dBZ、30dBZ 和 40dBZ 阈值下，与 HRRR 相比，在综合雷达反射率的 1–6 小时技能方面具有竞争力。
• StormCast 的 PMM 集合显示出现实的多变量对流动力学，包括湿性上升气流和冷池形态。
• 若干变量的功率谱和概率分布在领先时间多小时内仍然现实，扩散提高了小尺度方差。
• 案例研究展示了物理上合理的多变量对流特征，例如与焓异常共定位的上升气流和阵风锋面。
• 该模型能够高效生成公里尺度的预报和集合，显示在区域机器学习天气预报和动力降尺度方面的潜力。