跳到主要内容
返回时间线
arXiv来源发表:

WeatherDreamer 把资料同化也学进模型:不用再分析,逐小时全球分析约 1.5 分钟

核心概要

WeatherDreamer 把资料同化与预报合成一个循环,直接从 18 类地球观测中学习,不依赖再分析产品。它每小时用新观测修正潜状态,在留出测站上对温度、露点和风的集合预报在 12 小时内优于 NOAA 的 GEFS,且校准更好;同化质量在地表与湿度通道接近 GSI,但温度探测通道的偏差最大可达 GSI 的约五倍。单块 GPU 上完成一次全球逐小时分析约需 1.5 分钟。

Source-provided article image: WeatherDreamer: Learning a World Model from Multimodal Earth Observations
arXiv

深度剖析

天气预报的初始场不再必须由独立的资料同化系统提供,WeatherDreamer 把“预测—修正”这一循环本身作为可学习对象,从观测直接得到逐小时更新的全球分析。 此前的机器学习天气预报模型大多只做预报,初始场仍来自单独运行、通常每 6 小时更新一次且延迟数小时的资料同化系统;已有的观测到观测模型多在一次前向计算中处理固定窗口的观测,不保留递推滤波。 在 534 个未参与输入的留出测站上,其集合预报对 2 米温度、露点和 10 米风速在 12 小时内的 CRPS 均优于 GEFS,扩散—技巧比为 0.63–0.78,而 GEFS 为 0.23–0.47、IFS ENS 为 0.26–0.41。

模型维护一个潜状态,每小时先由学到的动力学向前推演,再用这一小时内到达的观测把它拉回,相当于把背景场与分析场都放进同一个隐空间。 这一循环沿用为基于模型的强化学习开发的循环状态空间模型,用先验网络代替背景场、用后验网络代替卡尔曼增益,观测误差协方差、观测算子和偏差订正都不再手工给定。 训练与评估使用 18 个观测系统,包括静止卫星红外辐射率、极轨微波与红外探测仪、ASCAT 洋面风、GPS 掩星、地面站、探空、CloudSat 云顶高度、IMERG 降水和 NSRDB 辐照度;CloudSat、IMERG 与 NSRDB 在推断时始终不作为输入。

启示与展望

评估限定在 2024 至 2025 年的 50 次初始化(Set A)和 2024 年的 30 个 GSI 循环(Set B);预报对照为 GEFS、IFS ENS 与 GFS,HRRR 只用于太阳辐照度对比,地面站预报只与全球集合比较;同化对照为 NCEP GSI 的三维变分背景场。每次推断只使用此前 12 小时的观测,状态在序列开始时置零。

高空是明确的短板:ATMS 对流层与平流层温度通道的偏差标准差为 GSI 的 1.76 与 1.84 倍,个别通道达 2.7–4.6 倍,探空风在 300–200 hPa 达 3.2–3.5 倍;模型对高空探空与掩星观测的增益偏低,动力学只在约 1600 公里的区域块上运行。降水偏干,量级约为 IMERG 的三分之二,且场过于平滑;海平面气压是地面变量中最弱的一项。