SEEDS: Emulation von Wettervorhersage-Ensembles mit Diffusionsmodellen

SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models

June 24, 2023

Autoren: Lizao Li, Rob Carver, Ignacio Lopez-Gomez, Fei Sha, John Anderson

cs.AI

Zusammenfassung

Probabilistische Vorhersagen sind entscheidend für die Entscheidungsfindung unter Unsicherheit über zukünftiges Wetter. Der vorherrschende Ansatz besteht darin, ein Ensemble von Vorhersagen zu verwenden, um Unsicherheiten in der operationellen numerischen Wettervorhersage darzustellen und zu quantifizieren. Die Erzeugung von Ensembles ist jedoch rechenintensiv. In diesem Artikel schlagen wir vor, Ensemble-Vorhersagen in großem Maßstab zu generieren, indem wir jüngste Fortschritte in der generativen künstlichen Intelligenz nutzen. Unser Ansatz lernt ein datengesteuertes probabilistisches Diffusionsmodell aus dem 5-Mitglieder-Ensemble des GEFS-Rückvorhersage-Datensatzes. Das Modell kann dann effizient beprobt werden, um realistische Wettervorhersagen zu erzeugen, die auf wenigen Mitgliedern des operationellen GEFS-Vorhersagesystems basieren. Die generierten Ensembles weisen eine ähnliche Vorhersagequalität wie das vollständige 31-Mitglieder-Ensemble von GEFS auf, bewertet anhand der ERA5-Reanalyse, und imitieren gut die Statistiken großer physikbasierter Ensembles. Wir wenden dieselbe Methodik auch an, um ein Diffusionsmodell für die generative Nachbearbeitung zu entwickeln: Das Modell lernt direkt, Verzerrungen im emulierten Vorhersagesystem zu korrigieren, indem es Reanalysedaten als Labels während des Trainings nutzt. Ensembles aus diesem generativen Nachbearbeitungsmodell zeigen eine höhere Zuverlässigkeit und Genauigkeit, insbesondere bei der Klassifizierung extremer Ereignisse. Im Allgemeinen sind sie zuverlässiger und prognostizieren die Wahrscheinlichkeit von extremem Wetter genauer als das operationelle GEFS-Ensemble. Unsere Modelle erreichen diese Ergebnisse mit weniger als 1/10 der Rechenkosten, die das operationelle GEFS-System verursacht.

English

Probabilistic forecasting is crucial to decision-making under uncertainty about future weather. The dominant approach is to use an ensemble of forecasts to represent and quantify uncertainty in operational numerical weather prediction. However, generating ensembles is computationally costly. In this paper, we propose to generate ensemble forecasts at scale by leveraging recent advances in generative artificial intelligence. Our approach learns a data-driven probabilistic diffusion model from the 5-member ensemble GEFS reforecast dataset. The model can then be sampled efficiently to produce realistic weather forecasts, conditioned on a few members of the operational GEFS forecasting system. The generated ensembles have similar predictive skill as the full GEFS 31-member ensemble, evaluated against ERA5 reanalysis, and emulate well the statistics of large physics-based ensembles. We also apply the same methodology to developing a diffusion model for generative post-processing: the model directly learns to correct biases present in the emulated forecasting system by leveraging reanalysis data as labels during training. Ensembles from this generative post-processing model show greater reliability and accuracy, particularly in extreme event classification. In general, they are more reliable and forecast the probability of extreme weather more accurately than the GEFS operational ensemble. Our models achieve these results at less than 1/10th of the computational cost incurred by the operational GEFS system.