[论文解读] Predictability Limit of the 2021 Pacific Northwest Heatwave from Deep-Learning Sensitivity Analysis

P. Trent Vonich, Gregory J. Hakim|arXiv (Cornell University)|Jun 7, 2024

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用 3

一句话总结

本研究提出一种基于深度学习的敏感性分析方法，利用反向传播和梯度下降优化初始条件，以提升长期天气预报的准确性。该方法应用于2021年6月太平洋西北部热浪事件，基于GraphCast模型，实现10天预报误差约90%的降低，并表明大气可预报性极限接近23天。结果表明，该方法能够识别出显著提升预报技巧的大尺度、有限振幅初始条件修正，其性能超越传统伴随方法。

ABSTRACT

The traditional method for estimating weather forecast sensitivity to initial conditions uses adjoint models, which are limited to short lead times due to linearization around a control forecast. The advent of deep-learning frameworks enables a new approach using backpropagation and gradient descent to iteratively optimize initial conditions to minimize forecast errors. We apply this approach to forecasts of the June 2021 Pacific Northwest heatwave using the GraphCast model, yielding over 90% reduction in 10-day forecast errors over the Pacific Northwest. Similar improvements are found for Pangu-Weather model forecasts initialized with the GraphCast-derived optimal, suggesting that model error is not an important part of the initial perturbations. Eliminating small scales from the initial perturbations also yields similar forecast improvements. Extending the length of the optimization window, we find forecast improvement to about 23 days, suggesting atmospheric predictability at the upper end of recent estimates.

研究动机与目标

• 为克服传统伴随模型在估计长期天气预报初始条件敏感性时的短预报时效局限性。
• 开发并应用一种深度学习框架，利用自动微分和梯度下降实现对初始条件的非线性、迭代式优化。
• 通过识别在延长预报时效内最小化预报误差的最优初始条件，评估2021年6月太平洋西北部极端热浪的可预报性极限。
• 确定预报改进是源于模型误差修正，还是源于大尺度初始条件扰动。
• 评估初始条件扰动中小尺度特征的作用及其对预报精度的影响。

提出的方法

• 利用JAX深度学习框架对GraphCast天气预报模型执行自动微分，实现预报误差向初始条件的反向传播。
• 使用梯度下降法迭代优化初始条件，以最小化指定预报时效内的预报误差指标，将初始状态视为可训练变量，同时保持模型权重固定。
• 在逐步扩展的时间窗口（从2.5天至25天）上应用该优化方法，以评估可预报性的上限。
• 通过截断最优初始条件中的小尺度特征，以分离大尺度与天气尺度动力过程对预报改进的贡献。
• 通过使用GraphCast优化后的初始条件初始化Pangu-Weather模型来验证结果，以检验改进效果是否具有模型特异性或具备通用性。
• 以ERA5再分析数据初始化的控制预报作为对比基线，使用集合成员评估结果的稳定性和变异性。

实验结果

研究问题

• RQ1 对于2021年太平洋西北部热浪事件，初始条件扰动在多长的预报时效内可显著降低预报误差？
• RQ2 预报改进在多大程度上源于模型误差修正，而非初始条件优化？
• RQ3 初始条件中的小尺度特征在多大程度上促进了预报误差的降低？
• RQ4 最优初始条件扰动在不同深度学习天气模型之间是否具有鲁棒性？
• RQ5 深度学习模型中缺乏噪声型开/关过程是否影响长期敏感性解的平滑性与稳定性？

主要发现

• 通过在GraphCast模型上结合深度学习敏感性分析优化初始条件，太平洋西北部热浪的10天预报误差实现了约90%的降低。
• 当优化窗口扩展至25天时，预报改进可维持至约23天，表明该事件的可预报性上限接近此时间尺度。
• 当使用GraphCast优化后的初始条件初始化Pangu-Weather模型时，也观察到类似的预报改进，表明关键扰动并非模型特异性，而是反映了大尺度大气特征。
• 截断最优初始条件中的小尺度成分后，仍可获得相近的预报改进，证实天气尺度及更大尺度的动力过程主导了可预报性。
• 最优解随截断尺度平滑变化，表明深度学习模型不会像物理模型那样受对流等开/关过程引起的随机噪声影响，从而产生更稳定的敏感性估计。
• 该方法成功识别出有限振幅、非线性的初始条件修正，其性能在长时效预报中显著优于线性化伴随方法。