[论文解读] Short-range forecasts of global precipitation using deep learning-augmented numerical weather prediction

Manmeet Singh, S. B. Vaisakh+6 more|arXiv (Cornell University)|Jun 23, 2022

Meteorological Phenomena and Simulations被引用 9

一句话总结

本文提出 DeepNWP，一种混合深度学习增强的数值天气预报模型，通过使用 ERA5 再分析数据作为真实值，校正 CFSv2 全球 NWP 模型中的降水偏差。通过应用经过修改的 DLWP-CS UNET 架构并结合立方球面投影以处理全球球面性，该模型将全球陆地降水偏差从 CFSv2 的 +5 至 +7 mm/day 降低至 -1 至 +1 mm/day，显著提升了在 1、2 和 3 天预报提前期下各类极端天气事件的短期预报性能。

ABSTRACT

Precipitation governs Earth's hydroclimate, and its daily spatiotemporal fluctuations have major socioeconomic effects. Advances in Numerical weather prediction (NWP) have been measured by the improvement of forecasts for various physical fields such as temperature and pressure; however, large biases exist in precipitation prediction. We augment the output of the well-known NWP model CFSv2 with deep learning to create a hybrid model that improves short-range global precipitation at 1-, 2-, and 3-day lead times. To hybridise, we address the sphericity of the global data by using modified DLWP-CS architecture which transforms all the fields to cubed-sphere projection. Dynamical model precipitation and surface temperature outputs are fed into a modified DLWP-CS (UNET) to forecast ground truth precipitation. While CFSv2's average bias is +5 to +7 mm/day over land, the multivariate deep learning model decreases it to within -1 to +1 mm/day. Hurricane Katrina in 2005, Hurricane Ivan in 2004, China floods in 2010, India floods in 2005, and Myanmar storm Nargis in 2008 are used to confirm the substantial enhancement in the skill for the hybrid dynamical-deep learning model. CFSv2 typically shows a moderate to large bias in the spatial pattern and overestimates the precipitation at short-range time scales. The proposed deep learning augmented NWP model can address these biases and vastly improve the spatial pattern and magnitude of predicted precipitation. Deep learning enhanced CFSv2 reduces mean bias by 8x over important land regions for 1 day lead compared to CFSv2. The spatio-temporal deep learning system opens pathways to further the precision and accuracy in global short-range precipitation forecasts.

研究动机与目标

• 解决全球数值天气预报（NWP）模型在降水预报中长期存在的大偏差问题，特别是陆地区域的偏差。
• 克服纯深度学习模型缺乏物理一致性且未能充分利用数十年来 NWP 技术进步的局限性。
• 开发一种混合框架，将 NWP 输出与最先进的深度学习技术相结合，以在不替换动力模型的前提下提升预报准确性。
• 通过采用改进的 DLWP-CS 架构与立方球面投影，解决在深度学习中建模球形地球数据的挑战。
• 在多种极端天气事件中，展示显著提升的全球短期降水预报技能。

提出的方法

• 以耦合预报系统版本 2（CFSv2）作为基础 NWP 模型，提供大气和地表温度场作为输入。
• 采用 ERA5 再分析数据作为降水的参考真实值，因其具有高时空分辨率和良好的观测保真度。
• 应用经过修改的 DLWP-CS UNET 架构，将全球气象场转换为立方球面投影，以保持球面几何特性并提升空间泛化能力。
• 通过端到端学习训练深度学习模型，将 CFSv2 的降水和地表温度输出映射到 ERA5 观测的降水场。
• 采用多变量深度学习方法，利用降水和温度场作为输入，以提高偏差校正的准确性。
• 在多个极端天气事件中，对 1、2 和 3 天预报提前期进行验证，将 DeepNWP 输出与 CFSv2 和 ERA5 进行比较。

实验结果

研究问题

• RQ1 深度学习模型是否能有效减少 CFSv2 NWP 模型在全球陆地区域的降水大偏差？
• RQ2 通过立方球面投影实现的球面几何整合，如何提升深度学习在全局气象数据上的性能？
• RQ3 DeepNWP 混合模型在预测飓风和洪水等极端降水事件方面，相较于独立的 CFSv2 模型，其性能提升程度如何？
• RQ4 深度学习校正是否在减少系统性误差的同时，保持或增强了 NWP 输出的物理一致性？
• RQ5 该混合方法是否能在不同气候区和极端天气系统（包括热带气旋和中纬度洪水）中实现良好泛化？

主要发现

• DeepNWP 模型将 CFSv2 在全球陆地的降水偏差从 +5 至 +7 mm/day 降低至 -1 至 +1 mm/day，且在所有预报提前期均保持一致。
• 在卡特里娜飓风事件中，DeepNWP 将 1 天预报提前期的偏差从 CFSv2 的 8.839 mm/day 降低至相对于 ERA5 的 -0.345 mm/day。
• 在那基斯气旋事件中，DeepNWP 将 1 天预报提前期的偏差从 CFSv2 的 21.151 mm/day 降低至 -5.37 mm/day，且在更长提前期仍持续改善。
• 在 2010 年中欧洪水事件中，DeepNWP 将 1 天预报提前期的偏差从 CFSv2 的 6.654 mm/day 降低至 -0.2 mm/day。
• 在全部六个案例研究中，DeepNWP 相较于 CFSv2 持续将偏差减少超过 80%，且平均绝对误差改善超过 50%。
• 该模型在多种气象系统中表现出稳健性能，包括热带气旋、温带洪水以及季风相关事件。