npj Climate and Atmospheric Science: FuXi: система каскадного машинного обучения для 15-дневного глобального прогноза погоды
За последние несколько лет быстрое развитие моделей машинного обучения для прогнозирования погоды привело к созданию современных моделей машинного обучения, имеющих производительность, превосходящую прогноз погоды высокого разрешения (HRES) Европейского центра среднесрочных прогнозов погоды (ECMWF), считающийся лучшей в мире системой прогнозирования погоды. В частности, модели машинного обучения превзошли HRES в 10-дневных прогнозах с пространственным разрешением 0,25°. Однако остаётся задача смягчить накопление ошибок прогноза для более эффективных прогнозов, например, добиться сопоставимых показателей с ансамблем ECMWF в 15-дневных прогнозах. Несмотря на различные усилия по уменьшению ошибок накопления, такие как реализация авторегрессионной многоступенчатой потери, было обнаружено, что полагаться на одну модель недостаточно для достижения оптимальной производительности как в короткие, так и в длительные сроки. Поэтому авторы представляют FuXi, каскадную систему машинного обучения для прогнозирования погоды, которая обеспечивает 15-дневные глобальные прогнозы с временным разрешением 6 часов и пространственным разрешением 0,25°. FuXi разработана с использованием набора данных реанализа ERA5 ECMWF за 39 лет. Оценка эффективности показывает, что FuXi прогнозирует производительность, сравнимую со средним значением ансамбля ECMWF в 15-дневных прогнозах. FuXi превосходит время обеспечения качественных прогнозов, достигнутое ECMWF HRES, увеличивая такое время для Z500 с 9,25 до 10,5 дней и для T2M с 10 до 14,5 дней. Более того, ансамбль FuXi создаётся путём возмущения начальных условий и параметров модели, что позволяет ей сократить неопределённость прогноза и демонстрировать многообещающие результаты по сравнению с ансамблем ECMWF.
