Vorhersage des globalen Wetters mit Graph-Neuronalen Netzwerken

Wir präsentieren einen datengestützten Ansatz zur Vorhersage des globalen Wetters mit Hilfe von Graph-Neuronalen Netzwerken. Das System lernt, den aktuellen 3D-Atmosphärenzustand um sechs Stunden voranzuschreiten, und mehrere Schritte werden miteinander verbunden, um fähige Vorhersagen für mehrere Tage in die Zukunft zu erzeugen. Das zugrunde liegende Modell wird auf Reanalyse-Daten von ERA5 oder Vorhersagedaten von GFS trainiert. Die Testleistung auf Metriken wie Z500 (Geopotentialhöhe) und T850 (Temperatur) verbessert sich im Vergleich zu früheren datengestützten Ansätzen und ist vergleichbar mit operationellen, volldimensionalen, physikalischen Modellen von GFS und ECMWF, zumindest wenn sie auf 1-Grad-Skalen und mit Reanalyse-Anfangsbedingungen bewertet werden. Wir zeigen auch Ergebnisse, die aus der Verbindung dieses datengestützten Modells zu live, operationellen Vorhersagen von GFS stammen.