SEEDS: 拡散モデルを用いた気象予報アンサンブルのエミュレーション

SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models

June 24, 2023

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

cs.AI

要旨

確率的予測は、将来の天候に関する不確実性下での意思決定において極めて重要である。現在主流のアプローチは、数値天気予報における不確実性を表現・定量化するためにアンサンブル予測を使用することである。しかし、アンサンブルを生成するには計算コストがかかる。本論文では、生成AIの最近の進展を活用して大規模にアンサンブル予測を生成することを提案する。我々のアプローチでは、5メンバーのアンサンブルであるGEFS再予測データセットからデータ駆動型の確率的拡散モデルを学習する。このモデルは、運用中のGEFS予測システムの少数のメンバーを条件として、現実的な天気予測を効率的に生成するためにサンプリングできる。生成されたアンサンブルは、ERA5再解析データに対して評価した場合、31メンバーのGEFSアンサンブルと同等の予測性能を示し、大規模な物理ベースのアンサンブルの統計特性をよく模倣する。また、同じ方法論を生成的な後処理のための拡散モデルの開発にも適用する。このモデルは、再解析データを学習時のラベルとして活用することで、エミュレートされた予測システムに存在するバイアスを直接修正することを学習する。この生成的な後処理モデルから得られるアンサンブルは、特に極端現象の分類において、より高い信頼性と精度を示す。一般的に、これらのアンサンブルはGEFS運用アンサンブルよりも信頼性が高く、極端な天候の確率をより正確に予測する。我々のモデルは、これらの結果をGEFS運用システムの計算コストの1/10未満で達成する。

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.