SEEDS: Emulação de Conjuntos de Previsão do Tempo com Modelos de Difusão

SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models

June 24, 2023

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

cs.AI

Resumo

A previsão probabilística é crucial para a tomada de decisões sob incerteza sobre o clima futuro. A abordagem predominante é usar um conjunto de previsões para representar e quantificar a incerteza na previsão numérica operacional do tempo. No entanto, a geração de conjuntos é computacionalmente custosa. Neste artigo, propomos gerar previsões de conjunto em escala, aproveitando os avanços recentes em inteligência artificial generativa. Nossa abordagem aprende um modelo probabilístico de difusão baseado em dados a partir do conjunto de reanálise de 5 membros do GEFS. O modelo pode então ser amostrado de forma eficiente para produzir previsões meteorológicas realistas, condicionadas a alguns membros do sistema operacional de previsão do GEFS. Os conjuntos gerados têm habilidade preditiva semelhante ao conjunto completo de 31 membros do GEFS, avaliado em relação à reanálise ERA5, e emulam bem as estatísticas de grandes conjuntos baseados em física. Também aplicamos a mesma metodologia para desenvolver um modelo de difusão para pós-processamento generativo: o modelo aprende diretamente a corrigir vieses presentes no sistema de previsão emulado, utilizando dados de reanálise como rótulos durante o treinamento. Os conjuntos gerados por este modelo de pós-processamento generativo mostram maior confiabilidade e precisão, particularmente na classificação de eventos extremos. Em geral, eles são mais confiáveis e preveem a probabilidade de clima extremo com maior precisão do que o conjunto operacional do GEFS. Nossos modelos alcançam esses resultados com menos de 1/10 do custo computacional incorrido pelo sistema operacional do GEFS.

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.