Science Advances: ArchesWeatherGen: Квалифицированное и вычислительно эффективное вероятностное прогнозирование погоды с использованием машинного обучения
Прогнозирование погоды играет жизненно важную роль в современном обществе, от сельского хозяйства и логистики до прогнозирования выработки возобновляемой энергии и подготовки к экстремальным погодным явлениям. Модели прогнозирования погоды на основе глубокого обучения, созданные с использованием целевой функции прогнозирования следующего состояния на основе данных ERA5, показали большие успехи по сравнению с численными глобальными моделями циркуляции. Здесь предлагается методология использования детерминированных моделей погоды при разработке вероятностных моделей погоды, что приводит к повышению производительности и снижению вычислительных затрат. Авторы разработали вероятностную модель погоды, основанную на сопоставлении потоков, современном варианте диффузионных моделей, которая обучена проецировать детерминированные прогнозы погоды на распределение погодных состояний ERA5. Предложенная модель ArchesWeatherGen превосходит IFS ENS и NeuralGCM по всем основным переменным WeatherBench (за исключением геопотенциала NeuralGCM). Эта работа также направлена на демократизацию использования генеративных моделей машинного обучения в исследованиях прогнозирования погоды.