《Machine Learning with Applications》:Data-driven regional weather forecasting: A comparison of stretched-grid and limited-area modelling
编辑推荐:
基于图神经网络(GNN)的区域机器学习天气预报(MLWP)模型近期展示了卓越的预测精度,以较低的计算成本超越了数值天气预报(NWP)模型。其中,有限区域模型(LAM)和拉伸网格模型(SGM)方法已涌现用于生成高分辨率区域预报。LAM使用来自外部全球模型的侧边界
基于图神经网络(GNN)的区域机器学习天气预报(MLWP)模型近期展示了卓越的预测精度,以较低的计算成本超越了数值天气预报(NWP)模型。其中,有限区域模型(LAM)和拉伸网格模型(SGM)方法已涌现用于生成高分辨率区域预报。LAM使用来自外部全球模型的侧边界条件,而SGM在较低分辨率下整合了全球域。本研究旨在理解模型设计差异如何影响相对性能和潜在应用。具体而言,在近乎相同的设置中,研究确定了这两种方法在生成欧洲区域确定性预报时的优缺点。结果表明,LAM和SGM都是具有竞争力的确定性MLWP模型,在区域域内通常具有准确且可比的预报性能。在模型性能上发现了跨应用的各种差异。LAM能够成功利用高质量边界强迫在区域域内进行预测,并且当训练数据仅局限于有限区域时更为适用。SGM完全自包含以便于操作化,可以利用更多训练数据,并显示出增强的(时间)泛化能力。研究人员的论文可作为气象机构在选择LAM或SGM开发业务化数据驱动预报系统时的起点。
**论文解读:数据驱动的区域天气预报:拉伸网格与有限区域建模的比较**
**研究背景、存在问题及研究动机**
近年来,基于图神经网络(GNN)的机器学习天气预报(MLWP)模型在全球尺度上取得了显著突破,以较低计算成本超越了传统数值天气预报(NWP)模型。然而,这些全球模型通常运行在约31公里的水平分辨率上,难以准确表征深对流等极端降水事件的关键驱动因素。为了捕捉中小尺度天气过程,需将分辨率提升至公里尺度。目前缺乏覆盖数十年的全球高分辨率再分析数据集,但存在区域高分辨率再分析资料,如欧洲区域再分析(CERRA)。为利用这些区域数据,研究人员提出了两种区域高分辨率MLWP方法:有限区域模型(LAM)和拉伸网格模型(SGM)。LAM受NWP中LAM启发,利用GNN灵活性处理区域高分辨率数据和来自外部全球的低分辨率侧边界强迫;SGM则通过单一模型在全球域和区域域同时提供预报,网格在区域域加密,形成无缝过渡。尽管两种模型在关键变量上均表现出优于NWP的精度,但文献中缺乏直接、公平的比较。两种模型独立开发,数据集、配置、训练和验证方法各异,导致对各自优劣缺乏系统认识。本研究旨在使用共同框架Anemoi,在近相同设置下公平评估LAM和SGM,揭示其相对优势和缺点,为气象机构选择业务化数据驱动预报系统提供指导。该论文发表在《Machine Learning with Applications》。
**关键技术方法**
研究人员使用Anemoi框架构建LAM和SGM,两者均采用类似GraphCast的编码器-处理器-解码器GNN架构,并使用图变换器(Graph Transformer)注意力机制。训练数据来源:全球域使用ECMWF第五代再分析(ERA5),降尺度至O96约100公里分辨率;区域域使用CERRA再分析(5.5公里分辨率,覆盖欧洲),时间频率6小时,训练期1984-2018,验证2019,测试2020。训练分为两阶段:第一阶段单时间步(6小时)预测,第二阶段自回归多时间步(最多12步,72小时)微调(rollout训练)。使用变量加权均方误差(MSE)损失函数。关键区别:LAM在区域域内预报,需在每一步用外部全球模型数据(ERA5或IFS预报)补充边界域状态(边界强迫);SGM同时预报全球和区域域,完全自包含。比较了512通道(6200万参数)和1024通道(2.46亿参数)两种模型大小。
**研究结果**
**3.1 训练过程**:通过分析训练和验证损失,发现SGM和LAM均收敛良好。SGM在部分变量(如风速)初始收敛速度更快。在计算性能上,LAM-1024较SGM-1024训练速度慢约10%,GPU内存使用多19%,系统内存使用少25%。
**3.2 整体性能**:使用CERRA气候学作为基准,评估2020年测试期预报。**表现相对于气候学和天气观测**:LAM和SGM在72小时预报内均具有技能,观测验证中两者性能相近;再分析验证中,后期LAM优于SGM,归因于理想边界强迫。**NWP基准**:与业务ALARO NWP模型(4公里分辨率)比较,LAM-1024在2米温度和10米风速上误差相当,地面气压略逊。**活动性和极端**:Rollout训练导致所有变量预报活动性(变率)显著降低,表明空间变率低估。极端风速方面,两者与CERRA相似,均低估观测极端值。
**3.3 模型间比较**:**变量性能**:SGM在6小时预报中在大尺度变量(如地面气压、位势高度)上表现更优;LAM在小尺度变量(如2米温度、高湿度)上略优;后期因边界强迫优势,LAM显著优于SGM。**模型规模**:从512通道增至1024通道显著提升RMSE,尤其小尺度变量。**理想与业务设置**:使用IFS分析/预报初始化和边界时,误差增大;两者后期LAM仍优于SGM。**边界强迫对LAM性能的影响**:LAM使用ERA5再分析强迫最佳;使用IFS预报强迫优于使用SGM全球预报强迫,显示SGM在边界区域预测质量稍逊。**时间泛化能力**:在训练未见时间点(如03、09、15、21 UTC)初始化的单步预报中,SGM在近地面温度上表现出更好的时间泛化性,尤其北非区域。
**讨论与结论**
讨论部分指出:SGM在高空变量上表现更优,可能因其全球域暴露有助于学习大尺度特征;LAM在小尺度变量上略优,因其参数集中于区域域。后期LAM优于SGM,但在理想设置下SGM初始从再分析时优于LAM,然而业务设置下SGM可能因初始误差增长而落后。框架选择影响性能:LAM边界域大小和连接方式关键,需确保足够隐藏节点连接边界节点;SGM可通过调整区域域损失权重平衡性能。SGM因训练数据更多(全球时区)而表现出更好的时间泛化能力。模型规模增加可提升性能,但需注意正则化。SGM便于迁移学习,LAM在缺乏全球数据时(如气候模拟)有优势。
研究结论翻译:本研究首次全面评估了LAM和SGM在确定性区域天气预报中的相对性能。使用Anemoi框架,两种模型基于共同架构和模型特定调整构建,并在近相同设置下训练。通过多种推理实验比较不同初始化和强迫场景下的性能,验证表明LAM和SGM是具有竞争力的ML建模方法,在区域域内预报性能相似。总体预报性能良好,但两者在更长预报时间上均出现平滑现象。研究发现SGM在大尺度变量上略优,并表现出更好的时间泛化能力。LAM在小尺度变量上略优,且在边界强迫选择上更灵活,可无需大量再训练改善后期预报。建议SGM作为更集成的预报系统,自包含且简化操作;LAM则适合灵活利用外部全球模型改进,并用于缺乏全球数据的场景。综上所述,两种方法均可作为成功数据驱动确定性预报系统的基础。