[论文解读] Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks

Joel Oskarsson, Tomas Landelius+2 more|arXiv (Cornell University)|Jun 7, 2024

Hydrological Forecasting Using AI被引用 5

一句话总结

介绍 Graph-EFM，一种使用分层图神经网络的概率天气预测模型，能够在每个时间步仅进行一次前向传播就生成具有空间一致性的集合预报。

ABSTRACT

In recent years, machine learning has established itself as a powerful tool for high-resolution weather forecasting. While most current machine learning models focus on deterministic forecasts, accurately capturing the uncertainty in the chaotic weather system calls for probabilistic modeling. We propose a probabilistic weather forecasting model called Graph-EFM, combining a flexible latent-variable formulation with the successful graph-based forecasting framework. The use of a hierarchical graph construction allows for efficient sampling of spatially coherent forecasts. Requiring only a single forward pass per time step, Graph-EFM allows for fast generation of arbitrarily large ensembles. We experiment with the model on both global and limited area forecasting. Ensemble forecasts from Graph-EFM achieve equivalent or lower errors than comparable deterministic models, with the added benefit of accurately capturing forecast uncertainty.

研究动机与目标

• 动机：在混沌天气系统中捕捉不确定性，从而需要概率预报。
• 开发一个分层图神经网络框架，以实现时空连贯的预报。
• 引入 Graph-EFM，一种潜变量概率模型，使得高效的集合采样成为可能。
• 在全球尺度(1.5°)和有限区域(10 km)预报上演示 Graph-EFM 并评估校准情况。
• 提供针对 probabilistic MLWP 的训练目标和改进的 GNN 层。

提出的方法

• 提出一个具有多空间尺度的分层网格图，以传播信息并实现空间一致性。
• 将 Graph-EFM 表述为潜变量模型，其中 Zt 是表示不确定性的顶层潜变量，Xt 以 Zt 和过去状态为条件。
• 定义一个两部分的单步模型：潜在映射 p(Zt|Xt−2:t−1, Ft) 和预测器 p(Xt|Zt, Xt−2:t−1, Ft)，实现为带跳连的确定性映射。
• 采用变分目标（ELBO）进行训练，使用学习得到的 q(Zt|Xt−2:t−1, Xt, Ft)，并包含用于集合校准的 CRPS 项。
• 使用传播网络（Propagation Networks，Interaction Networks 的变体）来改善从网格到潜在顶层及回传的信息流。
• 可选地将确定性 Graph-FM 作为基线进行评估，以及 GraphCast/GraphCast+SWAG 作为额外基线。

实验结果

研究问题

• RQ1 带潜变量的分层GNN是否能准确建模未来天气状态的分布？
• RQ2 Graph-EFM 是否在全球和区域尺度上产生具备空间连贯场的经过校准的集合预报？
• RQ3 在不同提前期内，概率 Graph-EFM 与确定性 Graph-FM 及现有基线在 RMSE、CRPS 和 SpSkR 的比较？
• RQ4 分层图设计对采样效率和集合多样性的影响？
• RQ5 同一框架下，模型在带边界条件的有限区域建模（LAM）中的表现如何？

主要发现

• Graph-EFM 在若干变量和提前期上比基线具有更低的 CRPS，表明分布准确性更好。
• Graph-EFM 的集合均值通常优于确定性模型的 RMSE，尤其在较长的提前期。
• 在不扰动初始状态的情况下，Graph-EFM 的 SpSkR 接近 1，表明不确定性校准良好；基于 SWAG 的集合可能校准不佳。
• 对于 LAM（北欧 MEPS 数据），Graph-EFM 提供空间一致的集合，尽管短期 RMSE 提升有限。
• 分层图结构使大规模集合的采样变得高效（例如全球预报中 80 个成员在单个 GPU 上约 200 秒）。
• 极端天气案例研究（如洛拉飓风）说明该模型在集合预报中捕捉位置和风速不确定性的能力。