转载于 ClimAI智慧气象

这篇文章名为《GenCast: Diffusion-based ensemble forecasting for medium-range weather》。它介绍了GenCast，这是一种基于机器学习的生成模型，用于天气预测的集合。GenCast采用了一种新颖的基于扩散的方法来生成全球范围的15天集合预测，并展示了机器学习在概率天气预测中的潜力。

GenCast通过模拟天气状态在时间和空间上的联合概率分布，生成的全球15天集合预测比欧洲中期天气预报中心（ECMWF）的运行集合预测更准确，且速度更快。

一：引言

过去30年，天气预报从单一最佳猜测的确定性系统转变为基于数值天气预报（NWP）的随机集合预报。尽管这些集合预报在许多领域至关重要，但它们仍存在偏差和错误，并且计算成本很高。近年来，机器学习在中期预测方面取得了显著进展，但大多侧重于确定性预测和最小化均方根误差（RMSE），而相对忽视了不确定性量化和概率建模。

二：数据及其方法

GenCast使用的数据来自欧洲中期天气预报中心（ECMWF）的ERA5存档。所使用变量如下：

图1 数据集中的ECMWF变量

GenCast是一种基于机器学习的概率天气预测模型。其核心是使用扩散模型，这是一种生成式机器学习模型，用于从给定数据分布中生成新样本。GenCast的过程开始于从一个噪声分布中抽样，然后通过学习去噪器迭代变换该样本，直到它接近目标分布的样本。

GenCast的特点在于它不是直接采样天气状态，而是采样与最近天气状态的残差，并通过加到最近状态来恢复当前状态。这种方法允许模型有效地生成多步天气预测，并通过生成多个预测样本来形成集合预测，从而提高预测的精确性和可靠性。

时间步长与预测范围： GenCast处理的每个天气状态包含特定时间间隔（12小时）内的数据，预测的时间范围为15天。

数据的空间表达： 使用1度经纬网格来表示数据，包括大气和地表变量。

概率分布的采样： 利用基于扩散模型的神经网络来模拟天气状态的联合概率分布，并从中进行采样。

图2 GenCast示意图

三：结果

GenCast的预测能力通过与现有模型（如ECMWF的ENS）进行比较进行评估。总体而言，GenCast在多个方面显示出其优越性。

图3 GenCast与GraphCast状态可视化对比

图4展示了GenCast与GraphCast在特定湿度700hPa层的预测结果对比。结果显示，即便在长期预测中，GenCast生成的预测较为清晰。在连续排序概率得分（CRPS）和集合均值均方根误差（RMSE）方面，GenCast表现优于ENS，尤其是在超过36小时的预测时段。

此外，GenCast在极端事件预测上也显示了优势，其Brier分数优于ENS，展现了其在稀有事件预测方面的能力。

图4 GenCast、ENS和GraphCast-Perturbed三个模型在不同预测时长的球谐功率谱和风速变量上的表现

GenCast在长期预测中有效地保持了高频分量，而GraphCast-Perturbed则在长期预测中丧失了这些高频内容。在物理合理性方面，GenCast的预测能够更准确地模拟实际数据的高频特征，避免了模糊不清的预测结果，展现了其在细节保留上的优势。

图5 GenCast、ENS和GraphCast-Perturbed集合预测的可靠性和分散度评估

图5表明GenCast在短期预测中略微过分散，但总体上与ENS相当，并且优于GraphCast-Perturbed。

四：结论及其思考

GenCast是一个新型的全球中期（最长15天）天气预测方法，使用扩散模型从天气轨迹的联合分布中抽取集合样本。在关键技能指标（集合均值RMSE、CRPS、Brier分数）上，GenCast的表现一致优于ECMWF的ENS系统。

GenCast能够在预测轨迹中很好地保持高频空间结构和物理一致性。其集合预测的可靠性高于或等同于ENS。GenCast在计算效率上也表现出色，可以在短时间内生成大规模集合预测。尽管GenCast在分辨率和计算成本上还有提升空间，但它在基于机器学习的天气预测方面代表了重要的进步。