DOI: https://doi.org/10.1175/aies-d-25-0061.1
تاريخ النشر: 2026-02-26
المؤلف: Daniel Abdi وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تقدم البحث HRRRCast، وهو محاكي مدفوع بالبيانات لنموذج التحديث السريع عالي الدقة (HRRR)، يهدف إلى تحسين التنبؤ بالطقس التشغيلي عبر الولايات المتحدة المتجاورة (CONUS). يستخدم HRRRCast تقنيات التعلم الآلي المتقدمة، ويتميز بمعماريتين: المعمارية المعتمدة على ResNet (ResHRRR) والمعمارية المعتمدة على الشبكة العصبية الرسومية (GraphHRRR). يتضمن ResHRRR شبكات عصبية تلافيفية مع تحسينات مثل كتل الضغط والتحفيز ويدعم التنبؤ الاحتمالي من خلال نموذج الانتشار الضوضائي الضمني (DDIM). يتم تدريبه للتنبؤ بأوقات قيادية متعددة (1 ساعة، 3 ساعات، و6 ساعات) ويظهر أداءً متفوقًا على HRRR، خاصة عند عتبات الأمطار الخفيفة (20 دBZ)، مع الحفاظ على نتائج تنافسية عند العتبات المعتدلة (30 دBZ). تشمل التقدمات الرئيسية التدريب على نطاق CONUS الكامل، واستخدام بيانات تحليل HRRR، ودمج حالات نظام التنبؤ العالمي (GFS) المستقبلية، مما يحسن دقة التنبؤات بعيدة المدى بشكل جماعي.
تشير النتائج إلى أن HRRRCast لا يولد فقط تنبؤات احتمالية جماعية بشكل أكثر كفاءة من النماذج التقليدية المعتمدة على الفيزياء، ولكنه أيضًا يعزز من موضع العواصف، ويقلل من انحياز التردد، ويحسن من نسب النجاح. يُعزى قدرة النموذج على إنتاج تفاصيل مكانية أكثر حدة والحفاظ على مهارة التنبؤ على أوقات قيادية أطول إلى خيارات تصميمه المبتكرة والتقليص الموجه بواسطة GFS. بينما لا يزال GraphHRRR يعاني من ضعف الأداء حاليًا، فإنه يمهد الطريق للتطورات المستقبلية في التنبؤ الاحتمالي القائم على الرسوم البيانية. بشكل عام، يمثل HRRRCast تقدمًا كبيرًا في التنبؤ بالطقس الإقليمي المدفوع بالبيانات، مقدمًا بديلاً فعالاً من حيث التكلفة للأنظمة الحالية وإمكانية تعزيز أو استبدال طرق التنبؤ التقليدية.
مقدمة
تناقش مقدمة ورقة البحث التقدمات في التنبؤ بالطقس باستخدام التعلم الآلي (MLWP) التي لديها القدرة على تحسين أو استبدال أنظمة التنبؤ العددي التقليدية (NWP)، خاصة على نطاقات عالمية. تبرز أن النماذج المدفوعة بالبيانات قد أظهرت مهارة مقارنة بالنماذج المعتمدة على الفيزياء مع تقليل كبير في التكاليف الحسابية، مما يسهل تطبيقات مثل التنبؤ الجماعي وتقليص المناخ. ومع ذلك، لا تزال هناك تحديات في التنبؤ الإقليمي عالي الدقة، خاصة عند مقاييس السماح بالتحول، بسبب الديناميات الجوية المعقدة والظواهر المحلية التي تكافح النماذج التقليدية لالتقاطها.
يقدم المؤلفون HRRRCast، وهو محاكي مدفوع بالبيانات مصمم لتحسين التنبؤ بالطقس الإقليمي من خلال البناء على قدرات نموذج StormCast. يعمل HRRRCast على تباعد شبكي قدره 6 كم عبر الولايات المتحدة المتجاورة (CONUS) ويشمل عدة ميزات مبتكرة: يستخدم تدريب نطاق CONUS الكامل، وتدريب متعدد الأوقات القيادية لتحسين مهارة التنبؤ بعيدة المدى، ويستخدم بيانات التحليل الحقيقية للتدريب. بالإضافة إلى ذلك، فإنه يعتمد على توقعات نظام التنبؤ العالمي (GFS) ويشمل حالات GFS المستقبلية لتحسين أداء النموذج. تتكامل معمارية النموذج، ResHRRR، مع تقنيات الشبكة العصبية المتقدمة لتعزيز دقة التنبؤ، بينما يتم أيضًا تطوير متغير شبكة عصبية رسومية، GraphHRRR، لاستكشاف المرونة الهندسية. تفترض الورقة أن HRRRCast يمكن أن يوفر تنبؤات جماعية فعالة من حيث التكلفة، مما قد يؤدي إلى استبدال نموذج HRRR المكثف حسابيًا في المستقبل، على الرغم من أن المزيد من البحث ضروري لتقييم فعاليته في التنبؤ الجماعي.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في الدراسة للتحقيق في أسئلة البحث. تفصل اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. تم اختيار المشاركين باستخدام طريقة أخذ عينات طبقية لضمان عينة تمثيلية، وتم جمع البيانات من خلال مزيج من الاستطلاعات والمهام التجريبية المصممة لقياس متغيرات معينة ذات اهتمام.
شمل التحليل كل من الطرق الكمية والنوعية، باستخدام برامج إحصائية لإجراء تحليلات الانحدار والترميز الموضوعي. تم اشتقاق النتائج الرئيسية من تطبيق هذه الطرق، مما يكشف عن علاقات كبيرة بين المتغيرات المدروسة. تم التحقق من قوة النتائج من خلال تقنيات التحقق المتبادل، مما يضمن موثوقية وعمومية النتائج عبر سياقات مختلفة.
النتائج
في هذا القسم، يقيم المؤلفون أداء نموذج HRRRCast باستخدام مجموعتين بيانات متميزتين. تتكون مجموعة البيانات الأولى من فترة اختبار صغيرة من 1 مايو إلى 10 مايو 2024، تشمل عدة أحداث تحريضية، مع توقعات تم إنشاؤها كل ساعة لمجموع 240 نقطة زمنية ووقت قيادي يصل إلى 18 ساعة. تمتد مجموعة البيانات الثانية على أربعة أشهر، مع توقعات تم تهيئتها كل ست ساعات، مما يؤدي إلى حوالي 488 نقطة زمنية، متماشية مع الجدول الزمني التشغيلي لنموذج HRRR، الذي يقوم بتشغيل التوقعات حتى 48 ساعة.
تستخدم التقييم بيانات تحليل HRRR كحقيقة أرضية للمقارنة، مشيرة إلى أنه بينما يمكن لمجموعة بيانات الرادار المتعدد المستشعرات (MRMS) أن توفر انعكاسية مركبة أكثر دقة، لم يتم ملاحظة أي اختلافات كبيرة بين MRMS وتحليل HRRR في هذا السياق. يقوم المؤلفون بإجراء مقارنات نوعية للتوقعات في أوقات التهيئة المختارة، تليها تقييم كمي يعتمد بشكل أساسي على درجة مهارة الكسور (FSS)، وهو مقياس قائم على الجوار للانعكاسية. بالإضافة إلى ذلك، يتم حساب مقاييس قائمة على الشبكة القياسية المشتقة من مصفوفة الطوارئ 2×2، وتُعرض النتائج الأولية من التحقق القائم على الكائنات. يتم تقييم المتغيرات الأخرى باستخدام مقياس خطأ الجذر التربيعي (RMSE).
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات والمعماريات المستخدمة في نماذج التنبؤ بالطقس الخاصة بهم، مع التركيز بشكل خاص على معماريات ResHRRR وGraphHRRR. تتكون مجموعة بيانات التدريب من ثلاث سنوات من بيانات تحليل التحديث السريع عالي الدقة (HRRR) وبيانات نظام التنبؤ العالمي (GFS)، مع فترة تدريب من مارس 2021 إلى مارس 2024 وفترة تقييم من أبريل إلى يوليو 2024. تستخدم النماذج مجموعة متنوعة من المتغيرات الجوية، بما في ذلك درجة الحرارة، ومكونات الرياح، والرطوبة النسبية، المأخوذة عند مستويات ضغط مختلفة. يؤكد المؤلفون على أهمية استخدام بيانات تحليل عالية الجودة بدلاً من بيانات التنبؤ الحرية لتدريب النموذج، حيث قد تؤدي الأخيرة إلى مهارة تنبؤية أقل.
يستخدم نموذج ResHRRR معمارية شبكة عصبية متبقية عميقة (ResNet) معززة بآليات الضغط والتحفيز لالتقاط العلاقات المعقدة بين المتغيرات الجوية. يتضمن إطار نموذج الانتشار، وبالتحديد نماذج الانتشار الضوضائي الضمني (DDIM)، لتوليد التوقعات من خلال تعلم عملية انتشار عكسية. يركز هدف التدريب على تقليل متوسط الخطأ التربيعي (MSE) بين بيانات HRRR المتوقعة والفعلية، مع استراتيجية خسارة موزونة بالضغط لتسليط الضوء على المتغيرات السطحية. تم تصميم النموذج للتنبؤ بأوقات قيادية متعددة في وقت واحد، مما يعزز قدرته على التعميم عبر آفاق التنبؤ المختلفة. بالمقابل، تستخدم GraphHRRR معمارية شبكة عصبية رسومية (GNN)، تم تعديلها للنمذجة الإقليمية، لكنها تفتقر حاليًا إلى القدرة على استيعاب المدخلات على نطاق الطقس العام وتعمل بشكل حتمي.
كما يبرز المؤلفون الأداء النوعي والكمّي لـ HRRRCast، نموذجهم القائم على الانتشار، الذي يظهر تحسينًا في المعايرة والبنية المكانية في توقعات الأمطار مقارنة بالنماذج التقليدية. يتم مناقشة استخدام تقنيات توليد الجماعات ومتوسط المطابقة الاحتمالية (PMM) لتوليد التوقعات الجماعية، مما يشير إلى أن HRRRCast يتفوق على النماذج الحالية، خاصة عند أوقات قيادية أقصر وعتبات أمطار أقل. ومع ذلك، لا تزال هناك تحديات في تحقيق توقعات حادة عند العتبات الأعلى، مما يشير إلى مسارات محتملة للبحث المستقبلي، بما في ذلك أساليب التدريب الهجينة ودمج وظائف خسارة متقدمة لتحسين أداء النموذج.
DOI: https://doi.org/10.1175/aies-d-25-0061.1
Publication Date: 2026-02-26
Author(s): Daniel Abdi et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
The research introduces HRRRCast, a data-driven emulator for the High-Resolution Rapid Refresh (HRRR) model, aimed at enhancing operational weather forecasting across the contiguous United States (CONUS). HRRRCast employs advanced machine learning techniques, featuring two architectures: ResNet-based (ResHRRR) and Graph Neural Network-based (GraphHRRR). ResHRRR incorporates convolutional neural networks with enhancements such as squeeze-and-excitation blocks and supports probabilistic forecasting through the Denoising Diffusion Implicit Model (DDIM). It is trained to predict multiple lead times (1h, 3h, and 6h) and demonstrates superior performance over HRRR, particularly at light rainfall thresholds (20 dBZ), while maintaining competitive results at moderate thresholds (30 dBZ). Key advancements include training on the full CONUS domain, utilizing HRRR analysis data, and incorporating future Global Forecast System (GFS) states, which collectively improve long-range forecast accuracy.
The findings indicate that HRRRCast not only generates probabilistic ensemble forecasts more efficiently than traditional physics-based models but also enhances storm placement, reduces frequency bias, and improves success ratios. The model’s ability to produce sharper spatial details and maintain forecast skill at longer lead times is attributed to its innovative design choices and GFS-guided downscaling. While GraphHRRR currently underperforms, it sets the stage for future developments in probabilistic graph-based forecasting. Overall, HRRRCast represents a significant advancement in data-driven regional weather prediction, offering a cost-effective alternative to existing systems and the potential to augment or replace traditional forecasting methods.
Introduction
The introduction of the research paper discusses the advancements in machine learning weather prediction (MLWP) that have the potential to enhance or replace traditional numerical weather prediction (NWP) systems, particularly at global scales. It highlights that data-driven models have demonstrated comparable skill to physics-based models while significantly reducing computational costs, thus facilitating applications like ensemble forecasting and climate downscaling. However, challenges remain in high-resolution regional forecasting, especially at convection-allowing scales, due to the complex atmospheric dynamics and localized phenomena that traditional models struggle to capture.
The authors introduce HRRRCast, a data-driven emulator designed to improve regional weather forecasting by building on the capabilities of the StormCast model. HRRRCast operates at a 6 km grid spacing across the contiguous United States (CONUS) and incorporates several innovative features: it utilizes full CONUS domain training, multi-lead time training for enhanced long-range forecast skill, and employs true analysis data for training. Additionally, it conditions on Global Forecast System (GFS) forecasts and incorporates future GFS states to improve model performance. The model architecture, ResHRRR, integrates advanced neural network techniques to enhance forecast accuracy, while a Graph Neural Network variant, GraphHRRR, is also under development to explore geometric flexibility. The paper posits that HRRRCast could provide cost-effective ensemble forecasts, potentially replacing the computationally intensive HRRR model in the future, although further research is necessary to evaluate its effectiveness in ensemble forecasting.
Methods
The methodology section outlines the systematic approach employed in the study to investigate the research questions. It details the selection of participants, data collection techniques, and analytical procedures. Participants were chosen using a stratified sampling method to ensure a representative sample, and data were gathered through a combination of surveys and experimental tasks designed to measure specific variables of interest.
The analysis involved both quantitative and qualitative methods, utilizing statistical software to perform regression analyses and thematic coding. Key findings were derived from the application of these methods, revealing significant correlations between the variables studied. The robustness of the results was further validated through cross-validation techniques, ensuring the reliability and generalizability of the findings across different contexts.
Results
In this section, the authors evaluate the performance of the HRRRCast model using two distinct datasets. The first dataset consists of a small test period from May 1 to May 10, 2024, encompassing several convective events, with forecasts generated hourly for a total of 240 timestamps and a lead time of up to 18 hours. The second dataset spans four months, featuring forecasts initialized every six hours, resulting in approximately 488 timestamps, aligned with the operational schedule of the HRRR model, which runs forecasts up to 48 hours.
The evaluation employs HRRR analysis data as the ground truth for comparison, noting that while the Multi-Radar Multi-Sensor (MRMS) dataset could provide a more accurate composite reflectivity, no significant differences were observed between MRMS and HRRR analysis in this context. The authors conduct qualitative comparisons of forecasts at selected initialization times, followed by a quantitative assessment primarily utilizing the Fractions Skill Score (FSS), a neighborhood-based metric for reflectivity. Additionally, standard grid-based metrics derived from a 2×2 contingency matrix are computed, and preliminary results from object-based verification are presented. Other variables are assessed using the root-mean-square error (RMSE) metric.
Discussion
In this section, the authors discuss the methodologies and architectures employed in their weather forecasting models, specifically focusing on the ResHRRR and GraphHRRR architectures. The training dataset consists of three years of High-Resolution Rapid Refresh (HRRR) analysis data and Global Forecast System (GFS) data, with a training period from March 2021 to March 2024 and an evaluation period from April to July 2024. The models utilize a variety of atmospheric variables, including temperature, wind components, and specific humidity, sampled at different pressure levels. The authors emphasize the importance of using high-quality analysis data over free-forecast data for model training, as the latter may yield lower predictive skill.
The ResHRRR model employs a deep residual neural network (ResNet) architecture enhanced with squeeze-and-excitation mechanisms to capture complex relationships among atmospheric variables. It incorporates a diffusion model framework, specifically the Denoising Diffusion Implicit Models (DDIM), to generate forecasts by learning a reverse diffusion process. The training objective focuses on minimizing the mean squared error (MSE) between predicted and actual HRRR data, with a pressure-weighted loss strategy to emphasize surface-level variables. The model is designed to predict multiple lead times simultaneously, enhancing its ability to generalize across different forecasting horizons. In contrast, GraphHRRR utilizes a graph neural network (GNN) architecture, adapted for regional modeling, but currently lacks the capability to ingest synoptic-scale inputs and operates deterministically.
The authors also highlight the qualitative and quantitative performance of HRRRCast, their diffusion-based model, which shows improved calibration and spatial structure in precipitation forecasts compared to traditional models. The use of ensemble generation techniques and the Probability Matched Mean (PMM) for synthesizing ensemble forecasts are discussed, indicating that HRRRCast outperforms existing models, particularly at shorter lead times and lower rainfall thresholds. However, challenges remain in achieving sharp predictions at higher thresholds, suggesting potential avenues for future research, including hybrid training approaches and the incorporation of advanced loss functions to enhance model performance.