巨型 ensemble I：基于球面傅里叶神经算子的 ensemble 天气预报设计
大气与海洋物理
2025-04-04 v3 机器学习
摘要
在变暖的世界中研究低概率高影响极端天气事件是当前ensemble预报系统的重大且具有挑战性的任务。虽然这些系统目前使用最高可达100个成员的ensemble，但更大的ensemble可能更好地采样内部变异性，较好地捕捉与气候灾害相关的长尾分布。由于计算限制，利用传统基于物理的数值模型生成巨型ensemble（包含1000至10000个成员）是不可行的。本两部分论文用机器学习(ML)替代传统数值仿真来生成巨型ensemble的预报。第一部分构建了基于球面傅里叶神经算子(SFNO)的ensemble天气预报系统，讨论了构建此类ensemble的重要设计决策。该ensemble通过扰动参数技术代表模型不确定性，通过breed vector代表初始条件不确定性，后者采样预测最快增长的模式。以欧洲中期天气预报中心集成 forecasting 系统(IFS)为基准，我们开发了由均值、谱和极端诊断组成的评估管道。使用11亿个学习参数的大规模分布式SFNO，我们实现了校准的概率预报。随着individual成员轨迹的发散，ML ensemble均值谱随预报时间衰减，符合物理预期。然而，individual ensemble成员的谱随预报时间保持恒定。因此，这些成员模拟了真实的天气状态，ML ensemble因此通过文献中重要的谱测试。IFS和ML ensemble的极端预测指数相似，我们展示了ML的极端天气预报是可靠且具辨识力的。
关键词
引用
@article{arxiv.2408.03100,
title = {Huge Ensembles Part I: Design of Ensemble Weather Forecasts using Spherical Fourier Neural Operators},
author = {Ankur Mahesh and William Collins and Boris Bonev and Noah Brenowitz and Yair Cohen and Joshua Elms and Peter Harrington and Karthik Kashinath and Thorsten Kurth and Joshua North and Travis OBrien and Michael Pritchard and David Pruitt and Mark Risser and Shashank Subramanian and Jared Willard},
journal= {arXiv preprint arXiv:2408.03100},
year = {2025}
}