FuXi-ENS：用于中期集合天气预报的机器学习模型
机器学习
2024-08-12 v3 人工智能
大气与海洋物理
摘要
集合预报对于提高天气预报尤其是极端事件的预报至关重要。基于常规数值天气预报(NWP)模型构建集合预测系统(EPS)计算成本极高。机器学习模型已成为确定性天气预报的有价值工具，提供的预报计算要求显著降低，甚至超过了传统NWP模型的预报性能。然而，在将机器学习模型应用于集合预报方面存在挑战。最近的机器学习模型，如GenCast和SEEDS模型，依赖于ERA5 EDA或操作NWP集合成员进行预报生成。其空间分辨率也被认为对许多应用来说过粗。为克服这些限制，我们引入FuXi-ENS，这是一个高级机器学习模型，旨在提供每6小时一次的全球集合天气预报，预报范围可达15天。该模型在显著提高空间分辨率(至0.25°)方面，包含13个大气变量在13个压力层级以及13个表面变量。通过利用变分自编码器(VAE)内在的概率特性，FuXi-ENS优化了结合预测分布与目标分布之间的CRPS和KL发散的损失函数，以便在初始条件和预报中纳入流依赖性扰动。这种创新方法使FuXi-ENS在传统使用L1损失结合标准VAE模型进行集合天气预报的模型之上取得了进步。结果表明，FuXi-ENS在360个变量和预报 lead time 组合中98.1%的CRPS中超过了来自ECMWF(世界领先的NWP模型)的集合预报。这一成就凸显了FuXi-ENS模型提升集合天气预报的潜力，为该领域的进一步发展指明了有前景的方向。
引用
@article{arxiv.2405.05925,
title = {FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting},
author = {Xiaohui Zhong and Lei Chen and Hao Li and Jun Liu and Xu Fan and Jie Feng and Kan Dai and Jing-Jia Luo and Jie Wu and Bo Lu},
journal= {arXiv preprint arXiv:2405.05925},
year = {2024}
}