FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting

集合天气预报对于天气预测和减轻极端天气事件的影响至关重要。基于传统数值天气预报（NWP）模型构建集合预测系统（EPS）具有极高的计算成本。机器学习（ML）模型已经成为确定性天气预报的有价值工具，提供了显著减少计算要求的预报，甚至超过了传统NWP模型的预报性能。然而，在应用ML模型进行集合预测时会出现挑战。最近的ML模型，如GenCast和SEEDS模型，依赖于ERA5数据同化集合（EDA）或两个操作NWP集合成员进行预报生成。这些模型中的1{\deg}或2{\deg}的空间分辨率通常被认为对许多应用来说过于粗糙。为了克服这些限制，我们介绍了FuXi-ENS，一种先进的ML模型，旨在提供高达15天的全球6小时集合天气预报。该模型以显著提高的0.25{\deg}空间分辨率运行，结合13个压力层的5个高空大气变量以及13个表面变量。通过利用变分自编码器（VAE）固有的概率性质，FuXi-ENS优化了一个损失函数，将连续排名概率分数（CRPS）和预测和目标分布之间的KL散度相结合。这种创新方法代表了传统VAE模型中L1损失与KL损失相结合用于集合天气预报时的进步。评估结果表明，FuXi-ENS在CRPS上的360个变量和预报时限组合中，在98.1％的情况下优于欧洲中期天气预报中心（ECMWF）的集合预报，后者是世界领先的NWP模型。

使用机器学习模型进行集合天气预报的挑战是什么？如何在高分辨率下提供更好的集合天气预报？

提出了一种新的机器学习模型FuXi-ENS，它利用变分自编码器（VAE）的概率性质进行优化，可以在高分辨率下生成更好的集合天气预报。

使用了高分辨率的数据，包括5个上层大气变量和13个地表变量；利用VAE的概率性质进行优化；实验结果表明，FuXi-ENS在连续排名概率得分（CRPS）上优于欧洲中期天气预报中心（ECMWF）的集合预报。

其他最近的相关研究包括GenCast和SEEDS模型，它们依赖于ERA5数据或两个操作性NWP集合成员进行预测。