Improving ensemble extreme precipitation forecasts using generative artificial intelligence
作者: Yingkai Sha, Ryan A. Sobash, David John Gagne
分类: physics.ao-ph, cs.AI
发布日期: 2024-07-05
期刊: Artificial Intelligence for the Earth Systems, 4(2), p.e240063 (2025)
💡 一句话要点
提出基于生成式AI的集合后处理方法，提升极端降水概率预报能力
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 极端降水预报 集合后处理 生成式AI 潜在扩散模型 Vision Transformer
📋 核心要点
- 数值集合预报规模小，难以准确预测极端降水事件的概率和影响。
- 利用3D Vision Transformer进行偏差校正，并使用潜在扩散模型生成更多时空一致的降水轨迹，扩大集合规模。
- 实验表明，该方法显著提升了极端降水事件的概率预报技巧，优于原始GEFS和统计后处理方法。
📝 摘要（中文）
本文提出了一种集合后处理方法，旨在提高美国本土极端降水事件的概率预报能力。该方法结合了用于偏差校正的3D Vision Transformer (ViT) 和生成式人工智能方法——潜在扩散模型 (LDM)，对6小时降水集合预报进行后处理，生成包含时空一致降水轨迹的扩大生成集合。这些轨迹有望改善极端降水事件的特征描述，并提供有效的多日累积和6小时降水指导。该方法使用全球集合预报系统 (GEFS) 的6天降水预报进行测试，并根据气候校准降水分析 (CCPA) 数据进行验证。验证结果表明，该方法生成的集合成员具有良好的性能，与原始GEFS和多元统计后处理基线相比，连续等级概率技巧评分 (CRPSS) 和布里尔技巧评分 (BSS) 均有所提高。它显示了极端降水阈值事件的有效和可靠的概率。进一步进行了解释性研究，揭示了该方法的决策过程，并证实了其在集合成员生成方面的有效性。这项工作引入了一种新颖的、基于生成式AI的方法，以解决小数值集合的局限性以及识别极端降水事件对更大集合的需求。
🔬 方法详解
问题定义：现有数值天气预报模型集合规模有限，难以准确捕捉极端降水事件的不确定性，导致概率预报技巧不足。传统的统计后处理方法难以生成具有时空一致性的新集合成员，限制了对极端事件的有效识别。
核心思路：利用生成式人工智能模型（潜在扩散模型）学习历史降水数据的分布，并结合偏差校正后的数值预报结果，生成更多样化且时空一致的降水轨迹，从而扩大集合规模，提升极端降水事件的概率预报能力。这种方法的核心在于利用生成模型弥补数值集合规模的不足，并保证生成样本的物理合理性。
技术框架：该方法主要包含两个阶段：1) 偏差校正阶段：使用3D Vision Transformer (ViT) 对原始GEFS预报进行偏差校正，减少系统性误差。ViT以三维降水场作为输入，学习预报偏差的模式。2) 集合生成阶段：使用潜在扩散模型 (LDM) 基于偏差校正后的预报结果生成新的集合成员。LDM通过逐步添加噪声，再逐步去噪的方式，学习降水数据的分布，并生成新的样本。
关键创新：该方法的关键创新在于将生成式AI模型应用于集合预报的后处理，突破了传统统计方法的局限性，能够生成具有时空一致性的新集合成员。此外，结合ViT进行偏差校正，进一步提高了生成样本的质量。这种方法为解决小规模集合预报问题提供了一种新的思路。
关键设计：ViT采用标准的Transformer结构，针对三维降水场进行优化。LDM使用U-Net作为骨干网络，通过调整噪声水平和采样策略，控制生成样本的多样性和质量。损失函数包括重建损失和对抗损失，以保证生成样本的真实性和多样性。具体的参数设置（如ViT的层数、LDM的噪声水平等）需要根据实际数据进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在极端降水事件的概率预报方面取得了显著提升。与原始GEFS预报相比，CRPSS和BSS指标均有明显提高，尤其是在高降水阈值下。此外，该方法生成的集合成员具有良好的可靠性，能够提供更准确的概率预报信息。解释性研究表明，该方法能够有效地学习降水数据的分布，并生成具有物理合理性的新样本。
🎯 应用场景
该研究成果可应用于提升极端天气事件的预警能力，为防洪减灾、农业生产、城市规划等领域提供更准确的决策支持。通过生成更多样化的降水预报情景，可以更好地评估极端降水事件的风险，并制定相应的应对措施。未来，该方法可以推广到其他气象要素的预报，例如温度、风速等。
📄 摘要（原文）
An ensemble post-processing method is developed to improve the probabilistic forecasts of extreme precipitation events across the conterminous United States (CONUS). The method combines a 3-D Vision Transformer (ViT) for bias correction with a Latent Diffusion Model (LDM), a generative Artificial Intelligence (AI) method, to post-process 6-hourly precipitation ensemble forecasts and produce an enlarged generative ensemble that contains spatiotemporally consistent precipitation trajectories. These trajectories are expected to improve the characterization of extreme precipitation events and offer skillful multi-day accumulated and 6-hourly precipitation guidance. The method is tested using the Global Ensemble Forecast System (GEFS) precipitation forecasts out to day 6 and is verified against the Climate-Calibrated Precipitation Analysis (CCPA) data. Verification results indicate that the method generated skillful ensemble members with improved Continuous Ranked Probabilistic Skill Scores (CRPSSs) and Brier Skill Scores (BSSs) over the raw operational GEFS and a multivariate statistical post-processing baseline. It showed skillful and reliable probabilities for events at extreme precipitation thresholds. Explainability studies were further conducted, which revealed the decision-making process of the method and confirmed its effectiveness on ensemble member generation. This work introduces a novel, generative-AI-based approach to address the limitation of small numerical ensembles and the need for larger ensembles to identify extreme precipitation events.