GenCast: Diffusion-based ensemble forecasting for medium-range weather

概率天气预报对于诸如洪水预报、能源系统规划或交通路线等高影响领域的决策至关重要，其中量化预报的不确定性，包括极端事件的概率，对于指导重要的成本效益权衡和缓解措施至关重要。传统的概率方法依赖于从基于物理的模型中生成集合，这些模型从时空一致的天气轨迹上采样联合分布，但运行成本昂贵。一种高效的替代方法是使用机器学习（ML）预测模型生成集合，然而，目前为止，用于中程天气的最先进的ML预测模型主要是训练用于生成最小均方误差的确定性预测，尽管它们提高了技能得分，但它们缺乏物理一致性，这种限制随着领先时间的增长而增加，并影响它们表征联合分布的能力。我们介绍了GenCast，这是一种基于ML的生成模型，用于从再分析数据中进行集合天气预报的训练。它为全球84种天气变量提供了高达15天的轨迹集合预报，分辨率为1度，每个集合成员在单个Cloud TPU v4设备上约需要1分钟。我们展示了GenCast在CRPS和Ensemble-Mean RMSE上对于1320个验证目标的96％以上比ENS（一个顶级操作集合预报）更具技能，同时保持良好的可靠性和物理一致的功率谱。综上所述，我们的结果表明，基于ML的概率天气预报现在可以在1度上胜过传统的集合系统，为具有关键应用的技能丰富、快速的天气预报开辟了新的大门。

如何使用机器学习方法进行高效的天气预测？

使用机器学习方法训练生成模型，预测出全球1度分辨率、长达15天的84个天气变量的集合轨迹，且比传统的物理模型更加高效和准确。

该论文提出了一种名为GenCast的基于机器学习的天气预测生成模型，可以在单个Cloud TPU v4设备上每分钟生成一个集合成员，比传统物理模型更加高效且准确。实验表明，GenCast在CRPS和Ensemble-Mean RMSE上比顶级操作集合预测模型ENS更为准确，同时保持良好的可靠性和物理一致性。

近期相关研究包括使用深度学习方法进行天气预测（如DeepWeather、DeepAR等）以及使用概率模型进行天气预测（如Gaussian Process Regression等）。