ලේඛකයෝ : Remi Lam (Google DeepMind) Alvaro Sanchez-Gonzalez (Google DeepMind) Matthew Willson (Google DeepMind) Peter Wirnsberger (Google DeepMind) Meire Fortunato (Google DeepMind) Ferran Alet (Google DeepMind) Suman Ravuri (Google DeepMind) Timo Ewalds (Google DeepMind) Zach Eaton-Rosen (Google DeepMind) Weihua Hu (Google DeepMind) Alexander Merose (Google Research) Stephan Hoyer (Google Research) George Holland (Google DeepMind) Oriol Vinyals (Google DeepMind) Jacklynn Stott (Google DeepMind) Alexander Pritzel (Google DeepMind) Shakir Mohamed (Google DeepMind) Peter Battaglia (Google DeepMind) ලේඛකයෝ : Remi Lam (Google DeepMind) Alvaro Sanchez-Gonzalez (ගූගල් DeepMind) Matthew Willson (Google DeepMind) Peter Wirnsberger (Google මෘදුකාංගය) Meire Fortunato (Google DeepMind) ෆෙරෑන් ඇල්ට් (Google DeepMind) Suman Ravuri (Google DeepMind) ටෝමෝ Ewalds (Google DeepMind) Zach Eaton-Rosen (Google DeepMind) ගූගල් DeepMind (Google DeepMind) Alexander Merose (Google පර්යේෂණ) Stephan Hoyer (Google පර්යේෂණ) ජෝර්ජ් හෝල්ඩ් (Google DeepMind) Oriol Vinyals (Google DeepMind) ජැක්ලින් ස්ටොට් (Google DeepMind) ඇලෙක්සැන්ඩර් Pritzel (Google DeepMind) Shakir Mohamed (Google DeepMind) Peter Battaglia (Google DeepMind) ගෝලීය මධ් යම ප්රමාණයේ කාලගුණ අනාවැකි බොහෝ සමාජ හා ආර්ථික ක්ෂේත්රවල තීරණ ගැනීම සඳහා ප්රධාන වේ. සම්ප්රදායික සංඛ්යානීය කාලගුණ අනාවැකි අනාවැකි නිවැරදි කිරීම සඳහා වැඩි පරිගණක සම්පත් භාවිතා කරයි, නමුත් මූලික ආකෘතිය වැඩි දියුණු කිරීම සඳහා ඓතිහාසික කාලගුණ දත්ත සෘජුවම භාවිතා කළ නොහැක. අපි "GraphCast" යන යන්ත්ර ඉගෙනුම් පදනම්ව ක්රමයක් හඳුන්වනවා, එය නැවත විශ්ලේෂණ දත්ත වලින් සෘජුවම පුහුණු කළ හැකිය. එය 10 දින තුළ 0.25 ° resolutions දී, විනාඩියකින් ලොව පුරා කාලගුණ වෙනස්කම් සිය ගණනක් අනාවැකි කරයි. අපි පෙන්වා දෙන්නෙ GraphCast 1380 විනිවි Keywords: කාලගුණ අනාවැකි, ECMWF, ERA5, HRES, Learning Simulation, Graph Neural Networks ඇතුළත් කිරීම 2022 ඔක්තෝබර් මැද කාලගුණික අනාවැකි සඳහා යුරෝපීය මධ්යම ප්රමාණයේ කාලගුණික අනාවැකි සඳහා මධ්යම ප්රමාණයේ යුරෝපීය මධ්යම ප්රමාණයේ කාලගුණික අනාවැකි සඳහා යුරෝපීය මධ්යම ප්රමාණයේ කාලගුණික අනාවැකි සඳහා යුරෝපීය මධ්යම ප්රමාණයේ යුරෝපීය කාලගුණික අනාවැකි සඳහා යුරෝපීය මධ්යම ප්රමාණයේ යුරෝපීය කාලගුණික අනාවැකි සඳහා යුරෝපීය මධ්යම ප්රමාණයේ යුරෝපීය කාලගුණික අනාවැකි (European Centre for Medium-Range Weather Forecasts, ECMWF) මධ්යම කාල IFS, හා වඩාත් සාමාන්යයෙන් නවීන කාලගුණ අනාවැකි, විද්යා හා ඉංජිනේරුවන්ගේ ජයග් රහණ වේ. කාලගුණ පද්ධති දෝෂය පෘථිවියේ වඩාත් සංකීර්ණ භෞතික ක්රම අතර වේ, හා සෑම දිනකම, පුද්ගලයින්, කර්මාන්ත, හා ප්රතිපත්තියක විසින් කරන ලද තීරණ ගණනාවක් නිශ්චිත කාලගුණ අනාවැකි මත පදනම් වේ, තැපැල් ඇඳීමට හෝ භයානක කුණාටුවක් පලා යන්න තීරණය කිරීම. අද කාලගුණ අනාවැකිය සඳහා ප්රධාන ප්රවේශය වේ "මාර්ගික කාලගුණ අනාවැකි" (NWP), සුපිරි පරිගණක භාවිතයෙන් කාලගුණයේ පාලනය සමානකම් විසඳීම ඇතුළත්. NWP නමුත් සම්ප් රදායික NWP පරිගණකයක් සමඟ හොඳින් ප්රමාණවත් වන අතර, එහි නිවැරදිත්වය ඉතිහාසගත දත්ත ප්රමාණවත් වන විට වැඩි දියුණු නොකරයි.එහෙත් ECMWF හි MARS [17] වැනි කාලගුණික දත්ත හා කාලගුණික දත්ත ප්රමාණවත් ලැයිස්තුවක් ඇත, නමුත් පසුගිය කාලය දක්වා, අනාවැකි ආකෘති ගුණාත්මකභාවය වැඩි දියුණු කිරීම සඳහා එවැනි දත්ත භාවිතා කිරීම සඳහා සෑහෙන්න ප්රයෝජනවත් ක්රම තිබේ. පරිගණක උගන්වන මත පදනම්ව කාලගුණ අනාවැකි (MLWP) සම්ප්රදායික NWP වලට විකල්පයක් ලබා දෙයි, එහිදී අනාවැකි ආකෘති සෘජුවම ඉතිහාසගත දත්ත වලින් පුහුණු කර ඇත. මෙය දත්තවල නොසැලකිලිමත් සමාලෝචන වලින් පහසුවෙන් ප්රදර්ශනය කළ හැකි ආකෘති සහ මට්ටම් ගබඩා කිරීමෙන් අනාවැකි නිවැරදිත්වය වැඩි දියුණු කිරීමට ප්රතිඵලයක් ඇත. MLWP ද සුපිරි පරිගණකවලට වඩා නවීන ගැඹුරු උගන්වන උපාංගය භාවිතා කිරීමෙන් වඩා වැඩි ඵලදායීත්වය සඳහා අවස්ථාවක් ලබා දෙයි, සහ වඩාත් ප්රයෝජනවත් වේගය-වැරදිතාවය වෙළෙඳාම් කිරීමට ප්රති මධ් යම ප්රමාණයේ කාලගුණ අනාවැකිවලදී, එනම් ඉදිරියට එන දින 10 දක්වා වායුගෝලීය වෙනස්කම් අනාවැකි කිරීම සඳහා, IFS වැනි NWP පදනම පද්ධති තවමත් වඩාත් නිවැරදි වේ. ලොව ප්රධාන deterministic මෙහෙයුම් පද්ධතිය වන්නේ ECMWF හි High Resolution අනාවැකි (HRES), IFS හි කොටසක් වන අතර එය පැයක් ඇතුළත 0.1° latitude/longitude resolutions හි ගෝලීය දින 10 දින අනාවැකි නිෂ්පාදනය කරයි [27]. කෙසේ වෙතත්, පසුගිය වසර කිහිපය තුළ, මධ් යම ප්රමාණයේ අනාවැකි සඳහා MLWP ප්රතිපත්ති ස්ථාවරයෙන් දියුණු වී ඇත, එවැනි කාලගුණ බැංකුව [27] වැනි බැංකු ප්රවේශයන් මගින් පහසු GraphCast මෙහිදී අපි "GraphCast" ලෙස හඳුන්වනු ලබන ගෝලීය මධ් යම ප්රමාණයේ කාලගුණ අනාවැකි සඳහා නව MLWP ප්රවේශය හඳුන්වනවා, එය එක් Google Cloud TPU v4 උපාංගය මත විනාඩියකට වඩා අඩු කාලයක් තුළ නිශ්චිත දින 10ක අනාවැකි ලබා දෙයි. GraphCast පෘථිවියෙහි කාලගුණයේ අවසාන තත්ත්වයන් දෙකක් - දැනට කාලගුණය සහ පැය හයකට පෙර කාලගුණයේ ඊළඟ තත්ත්වය පැය හයක් ඉදිරියේදී අනාවැකි කරයි. එක් තනි කාලගුණ තත්ත්වය 0.25 ° latitude / longitude ජෙට් (721 × 1440) විසින් ප්රදර්ශනය කරනු ලැබේ, එය යුගෝපකය මත ප්රමාණයෙන් 28 × 28 කිලෝමීටර් විසඳුමකට අනුකූල වන අතර, සෑම ජෙට් තත්ත්වයක් ම පෘථිවියේ හා වායුගෝලීය වෙනස්කම් (Table 1 ලැයිස්තුවේ ලැයිස්තුවේ ලැයිස්තුවේ). GraphCast is implemented as a neural network architecture, based on GNNs in an “encode-process-decode” configuration [1], with a total of 36.7 million parameters. Previous GNN-based learned simulators [31, 26] have been very effective at learning the complex dynamics of fluid and other systems modeled by partial differential equations, which supports their suitability for modeling weather dynamics. සංකේතකය (අංක 1d) එක් එක් GNN මාලාවක් භාවිතා කරන්නේ, ඇතුලත් ජාලයේ නෝඩ් අමුද්රව්ය ලෙස නියෝජනය කරන වෙනස්කම් (නොලදායී මාලාවක්-අවශ්යතාවයට සම්මත කරන ලද) දේශප්රමාණය කිරීම සඳහා, අභ්යන්තර "multi-mesh" ප්රදර්ශනය මත ඉගෙනගත් නෝඩ් අමුද්රව්යවලටයි. Multi-mesh (දර්ශනය 1g) පෘථිවිය පුරා උසස් අභ්යන්තර විසඳුමක් ඇති ස්වභාවිකව homogeneous වන ග්රැෆික් වේ. එය සාමාන්ය icosahedron (12 කොන්දේසි, 20 මුහුණු, 30 මුහුණු) සතිපතා හය වතාවක් සකස් කිරීමෙන් සකස් කර ඇති අතර, සෑම සකස් කිරීමක්ම සෑම තුන්දෙනෙක්ම කුඩා හතරකට බෙදා හැරෙනු ඇත (සතු හතරක් වැඩි මුහුණු හා මුහුණු) සහ කොන්දේසි ක්ෂේත්රයට නැවත ප්රදර්ශනය කරන ලදී. Multi-mesh ඉහළම resolve mesh සිට 40,962 කොන්දේසි ඇතුළත් වේ, සහ මැද පෙරදිග ග්රැෆිවල නිර්මාණය කරන ලද සියලු කොන්දේසි සංසන්දනය Processor (Figure 1e) 16 unshared GNN layers to perform learned message-passing on the multi-mesh, enabling efficient local and long-range information propagation with few message-passing steps (පණිවුඩ-passing පියවර කිහිපයක් සහිතව ප්රමාණවත් දේශීය හා දිගු ප්රමාණවත් තොරතුරු ප්රමාණවත් කිරීම සඳහා) භාවිතා කරයි. Decoder (දර්ශනය 1f) අවසාන Processor Layer ඉගෙන ගනු ලැබූ විශේෂාංග මඟින් multi-mesh ප්රදර්ශනය ආපසු latitude-longitude ජාලය.It uses a single GNN layer, and predicts the output as a residual update to the most recent input state (with output normalization to unit-variance on the target residual). ECMWF ERA5 [10] නැවත විශ්ලේෂණය ලැයිස්තුවෙන් වසර 39ක් (1979–2017) ඉතිහාසගත දත්ත භාවිතා කළා. පුහුණු ඉලක්කයක් ලෙස, අපි වෘත්තීය මට්ටම අනුව බරපතල මධ්යම කුසලාන වැරදි (MSE) ප්රමාණය භාවිතා කළා. GraphCast හි අනාවැකිය කරන ලද තත්වය සහ N autoregressive පියවර මත Corresponding ERA5 තත්වය අතර වැරදි ගණනය කරන ලදී. N අගය පුහුණු කාලය තුළ 1 සිට 12 දක්වා (එනම් පැය 6 සිට දින 3 දක්වා) වර්ධනය කරන ලදී. GraphCast පුහුණු ඉලක්කය gradient descent සහ backpropagation භාවිතයෙන් අවම කිරීමට පුහුණු කරන ලදී. අනාගත තොරතුරු ආකෘති සංවර්ධනය සඳහා ලබා ගත නොහැකි වන සැබෑ ස්ථාපිත කිරීමේ තත්වයන් සමඟ අනුකූලව, අපි 2018 වසරෙන් පසු සිදු කරන ලද දත්ත මත GraphCast සමාලෝචනය කරමු (විශෝලන 5.1 බලන්න). පරීක්ෂණ ක් රම GraphCast හි අනාවැකි දක්ෂතාවය අපි විශාල සංඛ්යාවක වෙනස්කම්, මට්ටම් සහ ප්ලඩ් වේලාවන් මත HRES හි නිවැරදිතාවයට සමාන කිරීමෙන් සම්පූර්ණයෙන්ම තහවුරු කරමු.We quantify the respective skills of GraphCast, HRES, and ML baselines with two skill metrics: the root mean square error (RMSE) and the anomaly correlation coefficient (ACC). GraphCast විසින් සෑම ග්රීඩ් ප්රශ්නයකදී අනාවරණය කරන ලද 227 වෙනස්කම් සහ මට්ටම් සබඳතා වලින්, WeatherBench[27] සහ ECMWF Scorecard[9] යන 13 මට්ටම් වලට අනුකූල වන 69 මට්ටම්වල HRES හා HRES සමග එහි දක්ෂතාවය අනාවරණය කරන ලදී; Table 1 සහ Supplements Section 1.2 හි boldface වෙනස්කම් සහ මට්ටම් බලන්න. Note, We exclude total precipitation from the evaluation because ERA5 precipitation data has known biases [15]. Main text reporting aggregate performance, Supplements Section 7 provides further detailed evaluations, including other variables, regional performance, latitude and pressure level effects, spectral properties, blurring, comparisons to other ML-based forecasts, and effects of model design cho මෙම සංසන්දනය කිරීම සඳහා ප්රධාන තේරීම් දෙකක් පවතී: (1) සංසන්දනය කිරීම සඳහා ප්රථම සත්ය තෝරා ගැනීම සහ (2) දත්ත සංසන්දනය කිරීම සඳහා භාවිතා වන දත්ත සංසන්දනය කිරීම සඳහා පරිස්සම් ගිණුම්. අපි GraphCast අගය කිරීම සඳහා ප්රථම සත්ය ලෙස ERA5 භාවිතා කරමු, එය ප්රථම සත්ය ලෙස ERA5 දත්ත ලබා ගැනීම සහ ප්රතිඵල ලෙස ERA5 දත්ත අනාවැකි කිරීම සඳහා පුහුණු කර ඇත. කෙසේ වෙතත්, ERA5 සමඟ HRES අනාවැකිය අගය කිරීම ආරම්භක අනාවැකිය පියවරේදී අර්බුදයක් නොවන වරදක් ඇති වනු ඇත. වෙනුවට, අපි "HRES අනාවැකිය පියවර 0" (HRES-fc0) දත්ත එකතු කිරීම සඳහා HRES සඳහා ප්රථම ERA5 සහ HRES දත්ත අනුකූලතා වින්ඩෝස් අතර වෙනස නිවැරදි අනුකූලතාවයක් අවශ්ය වන අතර, කිසිදු ක්රමයක් අනෙකාට ලබා ගත නොහැකි ප් රමුඛ තොරතුරු තිබිය යුතුය. කාලගුණික අනාවැකි දත්ත ස්වභාවය නිසා, මෙය ERA5 සහ HRES දත්ත අනුකූලතාවය වින්ඩෝස් අතර වෙනස අවධානයෙන් පාලනය කිරීම අවශ්ය වේ. සෑම දිනකම, HRES 00z, 06z, 06z, 12z සහ 18z හි මධ්යස්ථාන වන හතර +/-3h වින්ඩෝස් භාවිතා කරමින් නිරීක්ෂණතා අනුකූල කරයි (එහෙතැනදී 18z කියන්නේ 18:00 UTC), අතර ERA5 00z සහ 12z හි මධ්යස්ථාන වන 2 +9h / 3h වින්ඩෝස් භාවිතා කරයි. 06z සහ 18 06z සහ 18z හි ආරම්භ කරන ලද HRES අනාවැකි පමණක් දින 3.75 කාලසීමාව සඳහා ක්රියා කරයි (HRES හි 00z සහ 12z ආරම්භ කිරීම 10 දින සඳහා ක්රියා කරයි). එබැවින්, අපගේ සංඛ්යාතය දර්ශනය කරනු ඇත, රේඛාවකට පෙර දින 3.5 ක් 06z සහ 18z හි ආරම්භ කරන ලද HRES සමඟ සමාලෝචන වන අතර, රේඛාවකට පසු 00z සහ 12z හි ආරම්භක සමග සමාලෝචන වේ. අනාවැකි පරීක්ෂණ ප්රතිඵල We find that GraphCast has greater weather forecasting skill than HRES when evaluated on 10-day forecasts at a horizontal resolution of 0.25° for latitude/longitude and at 13 vertical levels. රූප 2a-c පෙන්වා දෙන්නේ GraphCast (blue lines) z500 (geopotential at 500 hPa) “headline” ක්ෂේත් රයේ HRES (black lines) ක්ෂේත් රයේ RMSE හැකියාව, RMSE හැකියාව ලකුණු (එනම් (RMSEA − RMSEB)/RMSEB ලෙස සංකේත කරන ආකෘතිය A සහ ප්රථම B අතර සාමාන්ය RMSE වෙනස) සහ ACC හැකියාව වඩා වැඩි කරන ආකාරයයි. z500 භාවිතය, synoptic-scale පීඩනය බෙදාහැරීම සංකේත කරන ලද අතර, එය ශක්තිමත් කාලගුණික වැදගත්කම ඇති නිසා ලැයිස්තුවේ සාමාන්ය වේ [27]. ප්රදර්ශන පෙන්වා දෙන්නේ GraphCast සියලු ප්රථම කාලය තුළ වඩා හොඳ හැකියාව ලකුණු ඇති අතර, 7%-14% දර්ශනය 2d ECMWF Scorecard සමාන ආකෘතියකින්, 10 දින අනාවැකි තුළ සියලු 1380 ගණනාවක් සහ පීඩන මට්ටම සඳහා RMSE වෘත්තීය ලකුණු සකස් කරයි. සෛල වර්ණ වෘත්තීය ලකුණු ප්රමාණවත් වන අතර, නිල් GraphCast වඩා හොඳ වෘත්තීයත්වය ඇති බව පෙන්වයි සහ රතු HRES වඩාත් වෘත්තීයත්වය ඇති බව පෙන්වයි. GraphCast 1380 ඉලක්කයේ 90.3% මත HRES වඩාත් ප්රමාණවත් වන අතර, ප්රමාණවත් (p ≤ 0.05, නාමීය නියැදි ප්රමාණය n ∈ {729, 730}) ඉලක්කයේ 89.9% මත HRES වඩා ප්රමාණවත් වේ. ග්රැෆ්කෙස්ට වඩා HRES වඩා හොඳ ක්රියාකාරීත්වයක් ඇති ප්රදේශය (ගැලපෙන කාඩ්වල රතු ඉහළ රේඛා), ස්ටෙට්රොස්ෆෝරියේදී ප්රමාණවත්ව පිහිටා ඇති අතර, අඩුම පුහුණු අහිමි බර ඇති (විශෝලන 7.2.2 පරිච්ඡේදය බලන්න). ග්රැෆ්කෙස්ට 50 hPa මට්ටම ඉවත් කරන විට, ග්රැෆ්කෙස්ට ඉතිරි 1280 ඉලක්ක වල 96.9% හි HRES වඩාත් හොඳින් ක්රියාකාරී විය. ග්රැෆ්කෙස්ට 50 සහ 100 hPa මට්ටම ඉවත් කරන විට, ඉතිරි 1180 ඉලක්ක වල 99.7% හි HRES වඩාත් හොඳින් ක්රියාකාරීව ක්රියාකාරීව වේ. ප්රදේශය ගණන MSE පරාජය තුළ ස්වයංක්රීය පියවර සංඛ්යාව වැඩි කිරීම වැඩි ප්රතිඵල කාලය තුළ GraphCast ප්රතිඵල වැඩි දියුණු කරන බව අපි සොයාගෙන තිබෙනවා (විශෝලන 7.3.2 බලන්න) සහ එය ස්වභාවිකව සෘජු ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල (විශෝලන 7.5.3 බලන්න) වැඩි ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්ර We also compared GraphCast’s performance to the top competing ML-based weather model, Pangu-Weather [4], and found GraphCast outperformed it on 99.2% of the 252 targets they presented (see Supplements Section 6 for details). බරපතල සිදුවීම් අනාවැකි ප්රතිඵල විවිධ වෙනස්කම් සහ ප්රතිඵල වේලාවන් මත GraphCast හි HRES හි අනාවැකි දක්ෂතාවය විශ්ලේෂණය කිරීමෙන් අමතරව, අපි GraphCast විශේෂයෙන් පුහුණු නොවූ නමුත් මිනිස් ක්රියාකාරීත්වය සඳහා ඉතා වැදගත් වන ප්රධාන පහළ ආකෘති වේ. Tropical Cyclone මාර්ගෝපදේශය භූගෝලීය චක්රෝන අනාවැකි වල නිවැරදිතාවය වැඩි දියුණු කිරීම භූගෝලීය චක්රෝන අනාවැකිවල තුවාල හා ජීවිත අහිමි වීම සහ ආර්ථික හානි අඩු කිරීම සඳහා උපකාරී විය හැකිය [21]. භූගෝලීය චක්රෝන අනාවැකිවල නිවැරදිතාවය, ශක්තිය සහ ප ් රවේශය අනුගමනය කිරීම මගින් භූගෝලීය භූගෝලීය (z), භූගෝලීය සුළඟ (10 U/10 v, U/v) සහ මුහුදු මට්ටමේ ප්රමාණයේ පීඩනය (MsL) පිළිබඳ අනාවැකි වලට අනුගමනය කිරීම සඳහා අනුගමනය කරන ලදී.[20] අපි ECMWF විසින් ප්රකාශ කරන ලද ප්රොටෝලීන් [5, 3 රූපය 3a පෙන්වන්නේ GraphCast 2018–2021 හි HRES ට වඩා අඩු මධ්යම පාඨමාලා වැරදි ඇති බවය. HRES සහ GraphCast සඳහා සතිපතා වැරදි අනුකූල වන අතර, අපි දෙදෙනා අතර සතිපතා සතිපතා සතිපතා සමන්විත වැරදි වෙනස මිනුම් කර ඇති අතර, GraphCast 18 පැය 4.75 දින සඳහා HRES ට වඩා පැහැදිලිව වඩා හොඳ බව සොයාගෙන ඇත, රූපය 3b දී පෙන්වනු ලැබේ. වායුගෝලීය ගඟ ඇමෙරිකානු බටහිර වෙරළ මත වසරකට 30%-65% ක වැසි නිෂ්පාදනය කරයි [6]. ඒවායේ ශක්තිය GraphCast විසින් අනාවරණය කරන ලද ස්ථාවරව සම්මත ජල වැසි ප්රවාහන IvT [23, 22] විසින් හැඳින්වේ, සිදුවීම ප්රයෝජනවත් වැසි ලබා දීමට හෝ අර්බුදික හානි සමග සම්බන්ධ වනු ඇති බව පෙන්වයි [7]. IvT අවකාශය වේගය (U සහ v) සහ විශේෂ වෝල්ටීයතාව (Q) පිළිබඳ අමුද්රව්ය නොවන සංසන්දනයෙන් ගණනය කළ හැක. අපි උතුරු ඇමෙරිකාවේ සහ නැගෙනහිර සාගරයේ සීතල මාසවල (Oct-Apr) දී GraphCast අනාවැකි ගවේෂණය කරමු [7]. වායුගික ගංවතුර වඩාත් නි උණුසුම් සහ සීතල සාමාන්ය කාලගුණය [19, 16, 18], එය භයානක විය හැකි හා මනුෂ්ය ක්රියාකාරකම් බිඳවැටීම විය හැකි විශාල අසාමාන්යතා සහිත උණුසුම් හා සීතල විශේෂාංග වේ. HRES සහ GraphCast මෙම ස්ථානය, දිනය, සහ මාසයේ මාසය තුළ ඉහළම 2% කාලගුණ විද්යාව මත සිදුවීම් අනාවැකි කිරීමට අපගේ හැකියාව අගය කර ඇත, 12 පැය, 5 දින සහ 10 දින ප්රධාන කාලගුණය මත 2 T සඳහා, උතුරු හා දකුණු අර්බුදය පුරා පොළොව ප්රදේශ සඳහා. අපි 2 Tecast අනාවැකිය මධ්යම කාලගුණ විද්යාව මත ඇති වෙනස්කම් ප්රමාණයෙන් වෙනස් වන "ගුණ" ප්රමාණයට අනුව අපි සකස් කරමු. 3d දර්ශනය GraphCast නිවැරදි මතක් කෙරෙන කෙරීම් 5 සහ 10 දින ප්රධාන වේලාවන් සඳහා HRES වඩා ඉහළ වේ, GraphCast අනාවැකි සාමාන්යයෙන් දිගු කාලසීමාවන් මත ප්රධාන සංඛ්යාත HRES වඩා උසස් බව පෙන්වයි. ඊට සමානව, HRES 12 පැය ප්රධාන වේලාවන් දී වඩා හොඳ නිවැරදි මතක් වේ, එය HRES හි 2 T වෘත්තීය ගුණාත්මක ප්රතික්ෂේපනය සමීප වන අතර අනුකූල වේ, දර්ශනය 2d. අපි සාමාන්යයෙන් මෙම ප්රතිඵල, T 850 සහ z500 [18], අනෙකුත් ප්රධාන මට්ටම් (5%, 2% සහ 0.5%), සහ ශීත ඍතුවේ දී ප්රධාන සීතල අනාවැකි බලන්න. පුහුණු දත්ත මෑතක බලපෑම GraphCast can be re-trained periodically with recent data, which in principle allows it to capture weather patterns that change over time, such as the ENSO cycle and other oscillations, as well as effects of climate change. We trained four variants of GraphCast with data that always began in 1979, but ended in 2017, 2018, 2019, and 2020, respectively (we label the variant ending in 2017 as “GraphCast:<2018”, etc). We compared their performances to HRES on 2021 test data. සිතියම 4 දර්ශනය කර ඇත දක්ෂතා ලකුණු (GraphCast විසින් සම්මත:<2018) හතර වෙනස සහ HRES, z500 සඳහා. අපි සොයාගත්තා GraphCast ක්රියාකාරීත්වය 2018 පෙර පුහුණු වූ විට තවමත් HRES සමඟ තරඟකාරී වන අතර, 2021 පෙර පුහුණු කිරීම දක්ෂතා ප්රතිඵල වැඩි දියුණු කරයි (අපි අනුපාත 7.1.3 පරිච්ඡේදය බලන්න). ප් රතිඵල HRES වලට වඩා GraphCast හි අනාවැකි දක්ෂතා සහ ඵලදායීත්වය පෙන්වන්නේ MLWP ක්රමයන් දැන් සම්ප් රදායික කාලගුණ අනාවැකි ක්රමයන් සමඟ තරඟකාරී බවය. අමතරව, GraphCast හි දැඩි සිදුවීම් අනාවැකි පිළිබඳ ක්රියාකාරීත්වය, එය සෘජුවම පුහුණු නොවූ අතර, එහි ධනාත්මකභාවය සහ පසුබිම වටිනාකම සඳහා හැකියාව පෙන්වයි. 36.7 මිලියන ප්රමාණයන් සහිතව, GraphCast මෑත ML සම්මතයන් අනුව සෑහෙන්න කුඩා ආකෘතියක් වන අතර, මතක තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් තැපැල් අපගේ ප්රවේශය පිළිබඳ ප්රධාන සීමාවක් වන්නේ අනාවැකි ප්රතිකාර කිරීමේ ආකාරයයි. අපි අනාවැකි ප්රතිපත්තිය මත අවධානය යොමු කර ඇති අතර එය HRES වලට සමාන කර ඇති අතර, ECMWF හි IFS, සම්මුඛ අනාවැකි පද්ධතිය, ENS, විශේෂයෙන් 10+ දින අනාවැකි සඳහා වැදගත් වේ. කාලගුණ දෛනිකයන්ගේ අනාවැකිභාවය වැඩි වේලාවක අනාවැකි වර්ධනය වන අතර එය එක් එක් අනාවැකි ප්රතිපත්තියකින් හොඳින් සලකන්නේ නැත. ENS, අනාගත කාලගුණය පිළිබඳ අසාමාන්ය බෙදාහැරීම ආකෘති කරන ලද, ස්ටොකස්ටික් අනාවැකි නිෂ්පාදනය කිරීම මගින් මෙම ප්රතිපත්තිය ප්රමාණය සීමා ඒ නිසා, අපගේ ප්රවේශය වසර ගණනාවක් තිස්සේ සංවර්ධනය කර ඇති, බොහෝ සැබෑ ලෝක සබඳතා තුළ දැඩිව පරීක්ෂා කර ඇති හා තවමත් පර්යේෂණ නොකළ බොහෝ විශේෂාංග ඉදිරිපත් කරන ලද සාමාන්ය කාලගුණ අනාවැකි ක්රම සඳහා වෙනසක් ලෙස සලකා බැලිය යුතු නැත ECMWF හි MARS ආකෘතිය වැනි ධනවත් දත්ත මූලාශ්ර වටිනා වේ. කාලගුණික අනාවැකි වලට අමතරව, GraphCast අනෙකුත් වැදගත් භූගෝපීය-විරහස් කාලගුණික අනාවැකි ප්රශ්න සඳහා නව මාර්ග විවෘත කළ හැකිය, ආයුර්වේද, භූමිය, මිනිස් හා ජීව විද්යාත්මක ක්රියාකාරකම්, මෙන්ම වෙනත් සංකීර්ණ න්යානීය පද්ධති.We believe that learned simulators, rich, real-world data, training will be crucial in advancing the role of machine learning in the physical sciences. දත්ත සහ ද්රව්ය ලබා ගත හැකිය GraphCast කේතය සහ පුහුණු බර Github හි ප්රකාශයට ලබා ගත හැකි වේ https://github.com/ deepmind/graphcast. මෙම ව්යාපාරය මධ්යම ප්රමාණයේ අනාවැකි සඳහා යුරෝපීය මධ්යස්ථානය (ECMWF) සිට ප්රකාශයට ලබා ගත හැකි දත්ත භාවිතා කර ඇත. අපි ERA5, HRES සහ TIGGE නිෂ්පාදන සඳහා ECMWF ලිපිනය භාවිතා කරමු. 4.0 ජාත්යන්තර (CC BY 4.0). අපි භාවිතා IBTrACS අනුවාදය 4 සිට https://www.ncei.noaa.gov/ products/international-best-track-archive and reference [13, 12] අවශ්ය පරිදි. පින්තූරයේ පෘථිවිය ආකෘතිය 1 යටතේ භාවිතා කර ඇත CC BY 4.0 සිට https://www.solarsystemscope.com/ textures/. අනුමැතිය අපි Kelsey Allen, Charles Blundell, Matt Botvinick, Zied Ben Bouallegue, Michael Brenner, Rob Carver, Matthew Chantry, Marc Deisenroth, Peter Deuben, Marta Garnelo, Ryan Keisler, Dmitrii Kochkov, Christopher Mattern, Piotr Mirowski, Peter Norgaard, Ilan Price, Chongli Qin, Sébastien Racanière, Stephan Rasp, Yulia Rubanova, Kunal Shah, Jamie Smith, Daniel Worrall සහ අපගේ කාර්යය පිළිබඳ උපදෙස් සහ ප්රතිචාර සඳහා Alphabet සහ ECMWF හි අනෙකුත් ගණනාවක් ස්තුති කරමු. අපි ECMWF අපගේ පර්යේෂණ සමාජයට වටිනා දත්ත සබඳතා සපයීම සඳහා ECMWF ස්තුති කරමු. විවෘත කොටස් ආකර්ෂණය සබැඳි [1] Peter W Battaglia, Jessica B Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinicius Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, සහ අනෙකුත්. [2] P. Bauer, A. Thorpe, සහ G Brunet. සංඛ්යාත්මක කාලගුණ අනාවැකි හි නිහඬ විප්ලවය. ස්වභාවය, 525, 2015. [3] Stanley G Benjamin, John M Brown, Gilbert Brunet, Peter Lynch, Kazuo Saito, and Thomas W Schlatter. 100 වසර අනාවැකි සහ NWP යෙදුම් පිළිබඳ දියුණුව. [4] Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, සහ Qi Tian. Pangu-Weather: වේගවත් සහ නිවැරදි ගෝලීය කාලගුණ අනාවැකි සඳහා 3D උසස් resolutions ආකෘතිය. arXiv preprint arXiv:2211.02556, 2022. [5] Philippe Bougeault, Zoltan Toth, Craig Bishop, Barbara Brown, David Burridge, De Hui Chen, Beth Ebert, Manuel Fuentes, Thomas M Hamill, Ken Mylne, et al. The THORPEX interactive grand global ensemble. [6] WE Chapman, AC Subramanian, L Delle Monache, SP Xie, සහ FM Ralph. වායුගෝලීය ගඟ අනාවැකි කාර්මික ඉගෙනීම සමඟ වැඩි දියුණු කිරීම. Geophysical Research Letters, 46(17-18):10627-10635, 2019. [7] Thomas W Corringham, F Martin Ralph, Alexander Gershunov, Daniel R Cayan, සහ Cary A Talbot. ඇමරිකා එක්සත් ජනපදයේ බටහිර ප් රදේශයේ වායුගෝලීය ගඟ ප් රභේදයක්. [8] Lasse Espeholt, Shreya Agrawal, Casper Sønderby, Manoj Kumar, Jonathan Heek, Carla Bromberg, Cenk Gazen, Rob Carver, Marcin Andrychowicz, Jason Hickey, et al. පැය 12 ක වැසි අනාවැකි සඳහා ගැඹුරු ඉගෙනීම. ස්වභාවය සන්නිවේදන, 13(1):1–10, 2022. [9] T Haiden, Martin Janousek, J Bidlot, R Buizza, Laura Ferranti, F Prates, සහ F Vitart. ECMWF අනාවැකි, 2018 යාවත්කාලීන කිරීම ඇතුළත්. [10] Hans Hersbach, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, Carole Peubey, Raluca Radu, Dinand Schepers, et al. ERA5 ගෝලීය නැවත විශ්ලේෂණය. Royal Meteorological Society Quarterly Journal, 146(730):1999–2049, 2020. [11] Ryan Keisler. ගෝලීය කාලගුණික අනාවැකි ග්රැෆෝස් අර්ධ ජාල සමග. arXiv preprint arXiv:2202.07575, 2022. [12] Kenneth R Knapp, Howard J Diamond, James P Kossin, Michael C Kruk, Carl J Schreck, et al. ජාත්යන්තර හොඳම පාඨමාලාව ව්යාපෘතිය (IBTrACS) ව්යාපෘතිය, සංස්කරණය 4. https: //doi.org/10.25921/82ty-9e16, 2018 [13] Kenneth R Knapp, Michael C Kruk, David H Levinson, Howard J Diamond, සහ Charles J Neumann. උෂ්ණත්වය කළමනාකරණය සඳහා ජාත්යන්තර හොඳම ගවේෂක ලැයිස්තුව (IBTrACS) උෂ්ණ කාලගුණ සංක් රමණ දත්ත සමන්විත කිරීම. [14] Thorsten Kurth, Shashank Subramanian, Peter Harrington, Jaideep Pathak, Morteza Mardani, David Hall, Andrea Miele, Karthik Kashinath, and Animashree Anandkumar. FourCastNet: Adaptive fourier neuronal operators භාවිතයෙන් ගෝලීය උසස් resolutions කාලගුණ අනාවැකිය ඉක්මවා ගැනීම. arXiv preprint arXiv:2208.05419, 2022. [15] David A Lavers, Adrian Simmons, Freja Vamborg, සහ Mark J Rodwell. ERA5 වැසි පරික්ෂා කිරීම සඳහා කාලගුණය. Royal Meteorological Society Quarterly Journal, 148(748):3152–3165, 2022. [16] Ignacio Lopez-Gomez, Amy McGovern, Shreya Agrawal සහ Jason Hickey. අර්ධ කාලගුණ ආකෘති භාවිතා කරන ගෝලීය උෂ්ණත්වය අනාවැකි. [17] කාර්ස්ටන් මැස් සහ Esperanza Cuartero. MARS පරිශීලක ලේඛන. https://confluence. ecmwf.int/display/UDOC/MARS+user+documentation, 2022. [18] ලින්ස් Magnusson. 202208 - heatwave - uk. https://confluence.ecmwf.int/display/ FCST/202208+-+Heatwave+-+UK, 2022. [19] Linus Magnusson, Thomas Haiden, සහ ඩේවිඩ් Richardson. Extreme weather events verification: Discrete predictands. European Centre for Medium-Range Weather Forecasts, 2014. [20] Linus Magnusson, Sharanya Majumdar, Rebecca Emerton, David Richardson, Magdalena Alonso-Balmaseda, Calum Baugh, Peter Bechtold, Jean Bidlot, Antonino Bonanni, Massimo Bonavita, et al. ECMWF හි භූමිකම්පාවක ක් රියාකාරකම්. [21] Andrew B Martinez. Forecast accuracy matters for hurricane damage. Econometrics, 8(2):18, 2020. [22] Benjamin J Moore, Paul J Neiman, F Martin Ralph, සහ Faye E Barthold. Nashville, Tennessee, සහ ප්රදේශයේ විශාල වැසි සමග සම්බන්ධ භෞතික ක්රියාවලිය 1–2 මැයි 2010: වායුගෝලීය ගඟ සහ මැසෙස්කාල් සංශෝධන පද්ධතිගේ කාර්යය. Monthly Weather Review, 140(2):358-378 2012. [23] Paul J Neiman, F Martin Ralph, Gary A Wick, Jessica D Lundquist, සහ Michael D Dettinger. උතුරු ඇමරිකාවේ බටහිර වෙරළට බලපාන වායුගෝලීය ගංගාගේ වායුගෝලීය විශේෂාංග සහ භූමියේ වැසි බලපෑම් හයිඩ්රොමිටෙරෝගෝලයේ වාර්තාව, 9(1):22-47, 2008. [24] Tung Nguyen, Johannes Brandstetter, Ashish Kapoor, Jayesh K Gupta, සහ Aditya Grover. ClimaX: කාලගුණය සහ කාලගුණය සඳහා මූලික ආකෘතිය. arXiv preprint arXiv:2301.10343, 2023. [25] Jaideep Pathak, Shashank Subramanian, Peter Harrington, Sanjeev Raja, Ashesh Chattopad-hyay, Morteza Mardani, Thorsten Kurth, David Hall, Zongyi Li, Kamyar Azizzadenesheli, ආදිය. [26] Tobias Pfaff, Meire Fortunato, Alvaro Sanchez-Gonzalez, සහ Peter Battaglia. Graph ජාලයන් සමඟ ජාලය මත පදනම්ව සිතිවිලි අධ්යයනය. [27] Stephan Rasp, Peter D Dueben, Sebastian Scher, Jonathan A Weyn, Soukayna Mouatadid, සහ Nils Thuerey. WeatherBench: දත්ත පදනම්ව කාලගුණ අනාවැකි සඳහා බැංකු දත්ත සමුදාය. ජෝන්සෝන් A Weyn, 12(11):e2020MS002203, 2020. [28] Stephan Rasp and Nils Thuerey. Data-driven medium-range weather prediction with a resnet pretrained on climate simulations: A new model for weatherbench. Journal of Advances in Modeling Earth Systems, 13(2):e2020MS002405, 2021. [29] Suman Ravuri, Karel Lenc, Matthew Willson, Dmitry Kangin, Remi Lam, Piotr Mirowski, Megan Fitzsimons, Maria Athanassiadou, Sheleem Kashem, Sam Madge, et al. රේඩරයේ ගැඹුරු Generative ආකෘති භාවිතා කිරීමෙන් වෘත්තීය වැසි දැන්ම. ස්වභාවය, 597(7878):672–677, 2021. [30] Takaya Saito සහ මාර්ක් Rehmsmeier. නිවැරදි මතක් කර ගැනීමේ ගිවිසුම ROC ගිවිසුමකට වඩා තොරතුරු ප්රමාණවත් වන අතර, අසාමාන්ය දත්ත සබඳතා මත බෙනර් රචකයන් ගවේෂණය කරන විට. PloS එකක්, 10(3):e0118432, 2015. [31] Alvaro Sanchez-Gonzalez, Jonathan Godwin, Tobias Pfaff, Rex Ying, Jure Leskovec, සහ Peter Battaglia. ග්රැෆික් ජාලයන් සමඟ සංකීර්ණ භෞතික විද්යාව සංකීර්ණ කිරීමට ඉගෙන ගන්න. [32] Xingjian Shi, Zhihan Gao, Leonard Lausen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong, සහ Wang-chun Woo වැසි දැන්වීම සඳහා ගැඹුරු ඉගෙනීම: බැංකු සහ නව ආකෘතිය. [33] Casper Kaae Sønderby, Lasse Espeholt, Jonathan Heek, Mostafa Dehghani, Avital Oliver, Tim Salimans, Shreya Agrawal, Jason Hickey, and Nal Kalchbrenner. Metnet: A neural weather model for precipitation forecasting. arXiv preprint arXiv:2003.12140, 2020. [34] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M. Hamill, Tim D. Hewson, Julia H. Keller, Mio Matsueda, John Methven, Florian Pappenberger, Michael Scheuerer, Helen A. Titley, Laurence Wilson, සහ Munehiko Yamaguchi. TIGGE ව්යාපෘතිය සහ එහි ප්රතිඵල. ඇමරිකානු වායුගෝලීය සමාජයේ පත්තරය, 97(1):49 – 67, 2016. [35] Jonathan A Weyn, Dale R Durran, සහ Rich Caruana. යන්ත්ර කාලගුණය අනාවැකි කිරීමට ඉගෙන ගත හැකිද? ඉතිහාසගත කාලගුණ දත්ත වලින් ග්රීඩ් 500-hPa භූගෝලීය උස අනාවැකි කිරීමට ගැඹුරු ඉගෙනීම භාවිතා කිරීම. Earth Systems Modeling Advances Journal, 11(8):2680-2693, 2019. [36] Jonathan A Weyn, Dale R Durran, සහ Rich Caruana. දත්ත පදනම්ව ගෝලීය කාලගුණික අනාවැකි වැඩි දියුණු කිරීම ගැඹුරු කූඩාරම් ක්ෂේත්රයේ නවීන ජාල භාවිතා කිරීම. Journal of Advances in Modeling Earth Systems, 12(9):e2020MS002109, 2020. 1 දත්ත මෙම පරිච්ඡේදයේ දී, අපි GraphCast පුහුණු කිරීම හා විශ්ලේෂණය කිරීම සඳහා භාවිතා කරන දත්ත (විශෝලන අංශය 1.1), NWP මූලික HRES පිළිබඳ අනාවැකි සකසන දත්ත, මෙන්ම HRES-fc0, අපි HRES සඳහා ප්රථම සත්යයක් ලෙස භාවිතා කරන දත්ත (විශෝලන අංශය 1.2) විස්තර කරමු. අපි ECMWF දත්ත අක්ෂරයන් සහ IBTrACS [29, 28] දත්ත අක්ෂරයන්ගෙන් සකස් කරන ලද පුහුණු හා විශ්ලේෂණය කිරීම සඳහා විවිධ දත්ත සබඳතා ගොඩනැගුවා.අපි සාමාන් යයෙන් දත්ත මූලාශ්ර, අපි "අක්රව්ය" හෝ "අක්රව්ය දත්ත" ලෙස හැඳින්වන්නේ, අප මෙම අක්ෂර වලින් ගොඩනැගූ දත්ත සබඳතා, අපි "අක්රව්ය සබඳතා" ලෙස හැඳින්වන්නේ. 1.1 යුග5 GraphCast පුහුණු කිරීම හා විශ්ලේෂණය කිරීම සඳහා, අපි ECMWF හි ERA5 [24]1 ආකෘතියෙන් අපේ දත්ත සමුදාය ගොඩනැගුවා, එය 1959 සිට වර්තමානය දක්වා ගෝලීය කාලගුණය ප්රදර්ශනය කරන ලද විශාල දත්ත සංකේතයක් වන අතර, ස්ථාවර, පෘථිවිය, හා වායුගෝලීය වෙනස්කම් සිය ගණනක් සඳහා 0.25 ° latitude / longitude විසඳුම සහ 1 පැය ප්රමාණයන්. ERA5 ආකෘතිය නැවත විශ්ලේෂණය මත පදනම් වේ, ECMWF හි HRES ආකෘතිය (සයිකල් 42r1) භාවිතා කරන අතර, 2016 (තැම්බර් 3 බලන්න), ECMWF හි 4D-Var දත්ත සම්පාදන පද්ධතිය තුළ ක්රියාත්මක විය. අපගේ ERA5 දත්ත සමුදාය ECMWF ERA5 ලැයිස්තුවේ ලබා ගත හැකි ප්රමාණයන් අංගයක් ඇතුළත් වේ (තැම්බර් 2), 37 පීඩන මට්ටම්2: 1, 2, 3, 5, 7, 10, 20, 30, 50, 70, 100, 125, 150, 175, 200, 225, 250, 300, 350, 400, 450, 500, 550, 600, 650, 700, 775, 800, 825, 850, 875, 900, 925, 950, 975, 1000 hPa. ඇතුළත් වසර ගණන 1979-01-01 සිට 2022-01-10 දක්වා විය, මෙම වසර 6 පැය කාල සීමාවන් (සෑම දිනකම 00z, 06z, 12z සහ 18z අනුකූල වේ). 1.2 ආර්යාව HRES ආකෘති ප්රථම සංකේතය විශ්ලේෂණය කිරීම සඳහා, අනාවැකි දත්ත සහ ප්රථම සත්ය දත්ත යන දෙකකට වෙන් වූ දත්ත සංකේතයක් අවශ්ය වේ.අපේ පරීක්ෂණ වසර තුළ ක් රියාකාරී වූ HRES අනුවාදය පුවත 3 තුළ පෙන්වනු ලැබේ. HRES සාමාන්යයෙන් ලෝකයේ වඩාත් නිවැරදි දර්ශනීය NWP මත පදනම්ව කාලගුණ ආකෘතිය ලෙස සලකනු ලැබේ, එබැවින් HRES ප්රථම සංකේතය විශ්ලේෂණය කිරීම සඳහා, අපි HRES හි archived ඓතිහාසික අනාවැකි දත්ත සමුදායක් ගොඩනැගුවා. HRES ECMWF විසින් නිතර යාවත්කාලීන කරනු ලැබේ, එබැවින් මෙම අනාවැකි අනාවැකි සිදු කරන ලද කාලගුණයෙහි නවතම HRES ආකෘතියයි. HRES operational forecasts ඊළඟට අපි ECMWF හි Metview පුස්තකාලය භාවිතා කිරීමෙන් 0.25° latitude/longitude ජාලයට (ERA5 හි විසඳුමකට ගැලපෙන පරිදි) ප්රකාශිකව ප්රතිපත්තිය නවීකරණය ප්රමාණයන් සහිතව නවීකරණය කර ඇත. අපි කාලීනව 6 පැය කාලසීමාවලට නවීකරණය කර ඇත. HRES ප්රතිපත්තීන් දෙකක් ඇත: 10 දින කාලසීමාව සඳහා නිදහස් කරන ලද 00z/12z හි ආරම්භ කරන ලද අය සහ 3.75 දින කාලසීමාව සඳහා නිදහස් කරන ලද 06z/18z හි ආරම්භ කරන ලද අය. HRES මෙහෙයුම් අනාවැකි වල දක්ෂතාවය විශ්ලේෂණය කිරීම සඳහා, අපි ECMWF හි HRES මෙහෙයුම් අනාවැකි ආකෘතිය මත පදනම්ව “HRES-fc0” මූලික සත්යතා දත්ත සංකල්පයක් ගොඩනැගුවා. මෙම දත්ත සංකල්පය සෑම HRES අනාවැකි වල ආරම්භක වේලාවන් 00z, 06z, 12z සහ 18z හි ආරම්භක වේලාවන් තුළ ආරම්භක වේලාවකට ඇතුළත් වේ. HRES-fc0 දත්ත අපගේ ERA5 දත්ත වලට සමාන වේ, නමුත් එය අනාවැකි කාලයේදී ECMWF NWP ආකෘතිය භාවිතා කිරීමෙන් අනුකූල වේ, සහ සබැඳි දිනය සහ වේලාව වටා ±3 පැය සිට නිරීක්ෂණය අනුකූල වේ. සටහන, E HRES-fc0 850hPa (z850) සහ 925hPa (z925) හි ප් රමාණවත් භූගෝලීය ප් රමාණයට ECMWF HRES ලිපිනයෙන් ලැබෙන ප් රමාණයේ ඉතා කුඩා අංගයක් අංක (NaN) නොවේ. මෙම NaNs 2016-2021 සහ අනාවැකි කාලවලදී සමානව බෙදාහැරෙන බව පෙනේ. මෙය z850 හි පික්සල් වල 0.00001% ක් (1 පික්සල් සෑම දහයක්ම 1440 x 721 දිගුකාලීන පින්තූර), z925 හි පික්සල් වල 0.00000001% ක් (1 පික්සල් සෑම දහසක්ම 1440 x 721 දිගුකාලීන පින්තූර) අතර ප්රතිඵලයට කිසිදු ප්රමාණවත් බලපෑමක් නොමැත. HRES NaN handling 1.3.Tropical Cyclone දත්ත එකතු කිරීම අපගේ උෂ්ණ භූමිකම්පාව අනාවැකි විශ්ලේෂණය සඳහා, අපි IBTrACS [28, 29, 31, 30] ලිපිගොනු භාවිතා කර පොළොව සත්ය දත්ත සමුදාය ගොඩනඟා ගැනීම සඳහා. මෙය අවට දහස් ගණනක් බලවත් මූලාශ්ර වලින් ඉතිහාසික භූමිකම්පාව මාර්ග ඇතුළත් කර ඇත. සෑම ගමනක් 6 පැය කාලසීමාවක (00z, 06z, 12z, 18z) කාලසීමාවක කාලසීමාවක වේ. For the HRES baseline, we used the TIGGE archive, which provides cyclone tracks estimated with the operational tracker, from HRES’s forecasts at 0.1° resolution [8, 46]. The data is stored as XML files available for download under https://confluence.ecmwf.int/display/TIGGE/Tools. To convert the data into a format suitable for further post-processing and analysis, we implemented a parser that extracts cyclone tracks for the years of interest. The relevant sections (tags) in the XML files are those of type “forecast”, which typically contain multiple tracks corresponding to different initial forecast times. Within these tags, we then extract the cyclone name (tag “cycloneName”), the latitude (tag “latitude”) and the longitude (tag “longitude”) values, and the valid time (tag “validTime”). Tracker algorithm සහ ප්රතිඵල පිළිබඳ විස්තර සඳහා 8.1 පරිච්ඡේදය බලන්න. 2.Notation සහ ප්රශ්න ප්රකාශ මෙම පරිච්ඡේදයේ දී, අපි පර්යේෂණය පුරා ප්රයෝජනවත් කාල සංකේත භාවිතය සංකේත කරමු (සංකය 2.1), අපි ප්රතිකාර කරන සාමාන්ය අනාවැකි ප්රශ්නය (සංකය 2.2) සහ අපි කාලගුණ තත්ත්වය ආකෘති කරන්නේ කෙසේද (සංකය 2.3) විස්තර. 2.1 කාල සීමාව අනාවැකි සඳහා භාවිතා කරන කාල සංකේතය, විවිධ කාල සංකේතයන් ඇතුළත් කර ඇති අතර, උදාහරණයක් ලෙස, ආරම්භක අනාවැකි කාලය, බලපෑම කාලය, අනාවැකි කාල සංකේතය ආදිය හඳුන්වා දෙයි. එබැවින් අපි පැහැදිලිතාවය සහ සරලතාවය සඳහා සමහර සම්මත කොන්දේසි සහ සංකේතය හඳුන්වා දෙමු. අපි කාලයේ යම් ස්ථානයකට "තැපැත්ත-තැපැත්තක්" ලෙස හඳුන්වා දෙමු. උදාහරණයක් ලෙස, 2018-06-21_18:00:00 2018 ජූනි 21 වනදා, 18:00 UTC වේ. කෙටියෙන්, අපි සමහර අවස්ථාවලදී Zulu සම්මතය භාවිතා කරමු, එනම් 00z, 06z, 12z, 18z 00:00, 06:00, 12:00, 18:00 UTC වේ. t: අනාවැකි කාලය පියවර අංකය, අනාවැකි ආරම්භ කිරීමෙන් පසුව පියවර ගණන අංකය. T: අනාවැකි කාලසීමාව, අනාවැකි තුළ පියවර ගණන ප්රදර්ශනය කරයි. d: නියමිත කාලය, විශේෂ කාලගුණ තත්ත්වයේ දිනය-කාලය හඳුන්වා දෙයි. d0: අනාවැකි ආරම්භක කාලය, අනාවැකි ආරම්භක ආදායම් වල වත්කම් කාලය පෙන්වයි. Δd: අනාවැකි පියවර කාලය, එක් අනාවැකි පියවර තුළ කොපමණ කාලයක් ගත වේද යන්න පෙන්වයි. τ: අනාවැකි කාල සීමාව, අනාවැකි තුළ ගත වූ කාල සීමාව (එනම්, τ = tΔd). 2.2 ප් රශ්නය පිළිබඳ ප් රවෘත්තිය සැබෑ කාලගුණයේ කාලගුණයේ කාලය වර්ධනය සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණයේ සැබෑ කාලගුණය (Δd) අනාගතයේ දී (Δd) අනාගතයේ කාලගුණයේ සැබෑ කාලගුණය මත පදනම්ව වේ, එනම්, Zd+Δd = Φ(Zd). අපේ ඉලක්කය වන්නේ සැබෑ දෛනික ක්රියාකාරිත්වය, Φ ක්රියාකාරිතාවයේ නිවැරදි හා ඵලදායී ආකෘතිය, φ සොයා ගැනීමයි, එය යම් අනාවැකි කාලගුණයේ තත්වයට ඵලදායීව අනාවැකි ලබා ගත හැකි බව, TΔd. අපි සෘජුවම Zd නිරීක්ෂණය කළ නොහැකි බව අපි අනුමත කරමු, නමුත් ඒ වෙනුවට සමහර කොටසක් නිරීක්ෂණය Xd ඇති බව, එය කාලගුණය නිවැරදිව අනාවැකි කිරීමට අවශ්ය තත්ව තොරතුරු සම්පූර්ණ ප්රදර්ශනයයි. Xd−Δd , Xd−2Δd , ..., Xd අමතරව.මොකද, ආකෘතිය, මූලික වශයෙන්, Zd වඩාත් නිවැරදිව සමීප කිරීමට මෙම අතිරේක පරිගණක තොරතුරු භාවිතා කළ හැක. උදාහරණයක් ලෙස (1), X ̈d + Δd අනාවැකි නැවත φ වෙත ලබා ගත හැක්කේ සම්පූර්ණ අනාවැකි නිෂ්පාදනය කිරීම සඳහා, අපි φ හි අනාවැකි ගුණාත්මකභාවය හෝ දක්ෂතාවය අගය කිරීමෙන්, X ̈d+Δd:d+T Δd , ප්රථම සත්ය ගමන, Xd+Δd:d+TΔd සමග කොපමණ ගැලපෙන බව ප්රමාණවත් කිරීමෙන්. කෙසේ වෙතත්, Xd+Δd:d+TΔd පමණක් අපගේ නිරීක්ෂණය Zd+Δd:d+TΔd , එය නිරීක්ෂණය නොකරන බව ප්රමාණවත් බව නැවතත් අවධානය යොමු කිරීම වැදගත් වේ. which is described explicitly in Section 5. අපගේ වැඩ තුළ, දත්ත සහ අනාවැකි වල කාලය විසඳුම සෑම විටම Δd = 6 පැය, උපරිම අනාවැකි කාලසීමාව 10 දින, T = 40 පියවර සම්පූර්ණයට ගැලපෙන පරිදි විය. Δd මෙම ලිපිය පුරා ස්ථාවරයක් වන නිසා, අපි (Xt, Xt+1, . . , Xt+T ) වෙනුවට (Xd, Xd+Δd , . . , Xd+TΔd ) භාවිතා කිරීම පහසු කර ගත හැක. ECMWF කාලගුණ දත්ත ආකෘතිය For training and evaluating models, we treat our ERA5 dataset as the ground truth representation of the surface and atmospheric weather state. As described in Section 1.2, we used the HRES-fc0 dataset as ground truth for evaluating the skill of HRES. In our dataset, an ERA5 weather state 𝑋𝑡 comprises all variables in Table 2, at a 0.25° horizontal latitude-longitude resolution with a total of 721 × 1440 = 1, 038, 240 grid points and 37 vertical pressure levels. The atmospheric variables are defined at all pressure levels and the set of (horizontal) grid points is given by 𝐺0.25◦ = {−90.0, −89.75, . . . , 90.0} × {−179.75, −179.5, . . . , 180.0}. These variables are uniquely identified by their short name (and the pressure level, for atmospheric variables). For example, the surface variable “2 metre temperature” is denoted 2 T; the atmospheric variable “Geopotential” at pressure level 500 hPa is denoted z500. Note, only the “predicted” variables are output by our model, because the “input”-only variables are forcings that are known apriori, and simply appended to the state on each time-step. We ignore them in the description for simplicity, so in total there are 5 surface variables and 6 atmospheric variables. මෙම සියලු වෙනස්කම් වලින්, අපගේ ආකෘතිය මුහුදු වෙනස්කම් 5 සහ ආයුධ වෙනස්කම් 6 මුළු 227 ඉලක්ක වෙනස්කම් සඳහා අනාවැකි කරයි. අපගේ ආකෘතිය සඳහා ඇතුලත් පරිච්ඡේදයක් ලෙස අනෙකුත් ස්ටීක් සහ / හෝ අභ්යන්තර වෙනස්කම් කිහිපයක් ද ඉදිරිපත් කර ඇත. මෙම වෙනස්කම් 1 සහ 2 තුළ පෙන්වනු ලැබේ. අපි Xt තුළ විශේෂිත ග්රීඩ් ස්ථානය i (1.038.240 සම්පූර්ණයෙන්) ලෙස xt, සහ 227 ඉලක්ක ප්රමාණයේ සෑම ප්රමාණවත් j xt ලෙස xt ලෙස සංසන්දනය කරන පරිමාණයන් අංගයක් හඳුන්වමු. Xtii, j සම්පූර්ණ රාජ්ය ප්රදර්ශනය නිසා 721 × 1440 × (5 + 6 × 37) = 235, 680, 480 වටිනාකම් ඇතුළත් වේ. 3 GraphCast ආකෘතිය මෙම පරිච්ඡේදය GraphCast පිළිබඳ විස්තරාත්මක විස්තරයක් සපයයි, ප්රතික්ෂේපකයාගේ ස්වයංක්රීය පරම්පරාව සමග ආරම්භ (කෙට් 3.1) , සරල භාෂාවෙන් ආකෘතිය පිළිබඳ සමාලෝචන (කෙට් 3.2) , පසුව GraphCast (කෙට් 3.3) , එහි encoder (කෙට් 3.4) , processor (කෙට් 3.5) , සහ decoder (කෙට් 3.6) , මෙන්ම සම්මත කිරීම හා ප්රාමිතිකරණය විස්තර (කෙට් 3.7) සියලු තාක්ෂණික විස්තරයක්. 3.1 අනාවැකි නිර්මාණය කිරීම අපගේ GraphCast ආකෘතිය උගන්වන එක් පියවරක සමුදායකයක් ලෙස සංකල්පය (2) හි φ ක්රියාකාරී වන අතර ඊළඟ පියවර දෙකට අනුකූලව ඇතුලත් තත්වයන් මත පදනම්ව අනාවැකි කරයි. As in Equation (3), we can apply GraphCast iteratively to produce a forecast 1b,c. අපි ආරම්භක අත්හදා බැලීම්වලදී සොයාගත්තා, ආදායම් තත්ත්වයන් දෙකක් එකකට වඩා හොඳ ක්රියාකාරීත්වය ලබා දුන් අතර, තුන් දෙනෙක් වැඩි මතකය ප්රමාණය සාධාරණ කර ගැනීමට ප්රමාණවත් නොවේ. 3.2 ආකෘති පර්යේෂණ GraphCast හි මූලික ආකෘතිය, GNNs භාවිතා කරන්නේ "කැඩ් ක්රියාකාරකම්-කැඩ්" සැකසුම් [6], GNN මත පදනම් වූ උගන්වන සිමිනුම් පද්ධති ඉතා ඵලදායී වන අතර, ඔවුන්ගේ ප්රදර්ශන සහ පරිගණක ව්යුහය උගන්වන සීමිත අමුද්රව්ය විසදුම්කරුවන්ට සමාන වේ [6]. GNNs ප්රධාන වාසියක් වන්නේ ප්රදර්ශනයේ මොනවාද කොටස් එකිනෙකා සමඟ සන්නිවේදනය කරන බව තීරණය කිරීමයි GNN ආකෘති පද්ධති හා අනෙකුත් ද්රව්ය [43, 39], වෙනුවට, ඔවුන්ගේ ප්රදර්ශන සහ පරිගණක ව්යුහය සංයුහය ස්වයංක්රීය ස්වයංක්රීය පද්ධතිය (CNN GNN හි ස්වයංක්රීය පුළුල් සන්නිවේදන ආකෘති කිරීමට අපට හැකි වන ආකාරය වන්නේ GraphCast හි අභ්යන්තර "මාල්-මෙෂ" ප්රදර්ශනය හඳුන්වා දීමයි, එය පණිවිඩ ප්රවාහන පියවර කිහිපයක් ඇතුළත දීර්ඝ සන්නිවේදන පහසුකම් ලබා දෙන අතර සාමාන්යයෙන් ලෝකය පුරා homogeneous අභ්යන්තර resolutions ඇත.This is in contrast with a latitude-longitude grid which induces a non-uniform distribution of grid points.Using the latitude-longitude grid is not a advisable representation due to its spatial inhomogeneity, and high resolution at the poles which requires disproportionate computational resources. අපගේ multi-mesh මුලින්ම සාමාන්ය icosahedron (12 nodes හා 20 faces) 6 වරක් බෙදා හදා ගැනීමෙන් නිර්මාණය කර ඇත icosahedral mesh ආකෘතිය මුළු 40962 nodes හා 81,920 faces ඉහළම resolutions සමග ලබා ගැනීම සඳහා. අපි වඩාත් උසස් resolutions සහිත මෙම ක්රියාවලිය multi-scale set of mesh ලබා දෙයි. we leveraged the fact that the crude-mesh nodes are subsets of the fine-mesh nodes, which allowed us to superimpose edges from all levels of the mesh hierarchy onto the finest-resolution mesh. This procedure yields a multi-scale set of mesh, with crude edges bridging long distances at multiple scales, and fine edges capturing local interactions. GraphCast’s encoder (Figure 1d) first maps the input data, from the original latitude-longitude grid, into learned features on the multi-mesh, using a GNN with directed edges from the grid points to the multi-mesh. The processor (Figure 1e) then uses a 16-layer deep GNN to perform learned message-passing on the multi-mesh, allowing efficient propagation of information across space due to the long-range edges. The decoder (Figure 1f) then maps the final multi-mesh representation back to the latitude-longitude grid using a GNN with directed edges, and combines this grid representation, 𝑌ˆ𝑡+𝑘, with the input state, 𝑋ˆ𝑡+𝑘, to form the output prediction, 𝑋ˆ𝑡+𝑘+1 = 𝑋ˆ𝑡+𝑘 + 𝑌ˆ𝑡+𝑘. සංකේතකය සහ decoder අවශ්ය නැහැ මතුපිට දත්ත නිතිපතා කෙටිකතා ජාලය තුළ සකස් කිරීම සඳහා, හා එය අනුකූල මාලිගාව වැනි රාජ්ය විනිශ්චය කිරීම සඳහා යෙදුම් කළ හැකි [1]. On a single Cloud TPU v4 device, GraphCast can generate a 0.25° resolution, 10-day forecast (at 6-hour steps) in under 60 seconds. For comparison, ECMWF’s IFS system runs on a 11,664-core cluster, and generates a 0.1° resolution, 10-day forecast (released at 1-hour steps for the first 90 hours, 3-hour steps for hours 93-144, and 6-hour steps from 150-240 hours, in about an hour of com-pute time [41]. See the HRES release details here: https://www.ecmwf.int/en/forecasts/ datasets/set-i.. GraphCast ගේ GraphCast GraphCast භාවිතා කරන GNNs "කොඩෝඩ් ක්රියාවලිය-කොඩෝඩ්" සංරචකයක්, කොතැනදී coder maps (ප්රමාණ හා වායුගෝලීය) features on the input latitude-longitude grid to a multi-mesh, processor performs many rounds of message-passing on the multi-mesh, and the decoder maps the multi-mesh features back to the output latitude-longitude grid (see Figure 1). මෙම ආකෘතිය G (VG, VM, EM, EG2M, EM2G) ග්රැෆි මත ක්රියා කරයි. සෑම අංගයක්ම ඇතුළත් වන සෑම අංගයක්ම පවතී. සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගයක්ම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සෑම අංගම, සංකේතය, සංකේතය, සංකේතය, සංකේතය, සංකේතය, සංකේ Grid nodes VM සංකේතය සෑම අංගයක්ම ඇතුළත් වන අංගය අංගය vM. අංගය අංගය මුළු ලෝකය පුරා නිශ්චිතව පිහිටා ඇත R-සැපිරුනු icosahedral අංගය MR. M0 සංකේතය සංකේතය icosahedron (12 අංගය සහ 20 තුන්වන අංගය) සමඟ අංගයන් සංකේතය අංගය (එළිදරව් 1g බලන්න). අංගය සංකේතය සංකේතය සංකේතයෙන් සංකේත කර ඇත Mr → Mr+1 සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේ Mesh nodes එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම්එම් Mesh edges සෑම අර්ධ eM යන්ත්රය vM යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය යන්ත්රය ය EG2M යනු යැවීමේ ජාල කොන්දේසි ලබාගැනීමේ ජාල කොන්දේසි වෙත සබැඳෙන එක් මාර්ග සීමාවන් වේ. eG2M vG→vM කොන්දේසි සහ ජාල කොන්දේසි අතර ප්රවේශය 0.6x5 ට වඩා කුඩා නම්, එයින් සෑම ජාල කොන්දේසි අවම වශයෙන් එක් ජාල කොන්දේසි වෙත සම්බන්ධ වී ඇති බව සහතික කරන ලද යැවීමේ ජාල කොන්දේසි (සංස්කරණය 1) හි කොන්දේසි දිගට සමාන වේ. eG2M විශේෂාංග, vG→vM s r ක ජාල කොන්දේසි සඳහා ඇති ආකාරයට සමාන වේ. Grid2Mesh edges EM2G are unidirectional edges that connect sender mesh nodes to receiver grid nodes. For each grid point, we find the triangular face in the mesh 𝑀6 that contains it and add three Mesh2Grid edges of the form 𝑒M2G 𝑣M→𝑣G, to connect the grid node to the three mesh nodes adjacent s r to that face (see Figure 1). Features eM2G,features are built on the same way as those for the mesh 𝑣M→𝑣G s r edges. This results on a total of 3,114,720 Mesh2Grid edges (3 mesh nodes connected to each of the 721 × 1440 latitude-longitude grid points), each with four input features. Mesh2Grid edges 4.4 කේතය The purpose of the encoder is to prepare data into latent representations for the processor, which will run exclusively on the multi-mesh. අප මුලින්ම අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය, අලංකාරය අලංකාරය, අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංකාරය අලංක Embedding the input features ඊළඟට, ග්රීඩ් කොන්ඩ්ස් සිට ග්රීඩ් කොන්ඩ්ස් වෙත වායුගෝලය තත්ත්වය පිළිබඳ තොරතුරු මාරු කිරීම සඳහා, අපි ග්රීඩ්2Mesh bipartite subgraph GG2M(VG, VM, EG2M) සම්බන්ධ ග්රීඩ් කොන්ඩ්ස් සිට ග්රීඩ් කොන්ඩ්ස් වෙත මාරු කරන ලද තනි පණිවිඩයක් ක්රියාත්මක කරමු. මෙම යාවත්කාලීන කිරීම අන්තර්ක්රියාකාරී ජාලය [5, 6] භාවිතා කරමින් සිදු කරනු ලැබේ, බොහෝ කොන්ඩ් වර්ග [2] සමඟ වැඩ කිරීමට හැකි වීම සඳහා වැඩි දියුණු කරන ලදී. Grid2Mesh GNN ඉන්පසු මේස කොන්දේසි සෑම එකක්ම මේස කොන්දේසි වෙත පැමිණෙන සියලු කොන්දේසි වලින් තොරතුරු එකතු කිරීමෙන් යාවත්කාලීන කරනු ලැබේ: Each of the grid nodes are also updated, but with no aggregation, because grid nodes are not receivers of any edges in the Grid2Mesh subgraph, සියලුම අමුද් රව් ය තුනක් යාවත්කාලීන කිරීමෙන් පසු, ආකෘතිය ඉතිරි සම්බන්ධතාවයක් ඇතුළත් කරයි, සහ අංකය පහසුකම් සඳහා, වෙනස්කම් නැවත සංශෝධනය කරයි, 3.5 පරිශීලකයා The processor is a deep GNN that operates on the Mesh subgraph GM (VM, EM) which only contains the Mesh nodes and and the Mesh edges. Note the Mesh edges contain the full multi-mesh, with not only the edges of 𝑀6, but all of the edges of 𝑀5, 𝑀4, 𝑀3, 𝑀2, 𝑀1 and 𝑀0, which will enable long distance communication. Mesh GNN එකක තනි මට්ටමේ ස්ථාවර අන්තර්ක්රියාකාරී ජාලයක් [5, 6] වන අතර එය මුලින්ම අසල්වැසි කොන්දේසි පිළිබඳ තොරතුරු භාවිතා කිරීමෙන් මාලිගාවෙ සෑම කොන්දේසි එකකටම යාවත්කාලීන වේ: Multi-mesh GNN ඉන්පසු එය මාලිංග කොන්දේසි සෑම එකක්ම යාවත්කාලීන කරයි, එම මාලිංග කොන්දේසි වෙත පැමිණෙන සියලු කොන්දේසි වලින් තොරතුරු එකතු කරයි: සහ දෙකම යාවත්කාලීන කිරීමෙන් පසු, ප්රදර්ශන ඉතිරි සම්බන්ධතාවයක් සමඟ යාවත්කාලීන කරනු ලැබේ, සහ සංරචකයේ සරලතාවය සඳහා, ද ඇතුලත් වෙනස්කම් වෙත නැවත සංශෝධනය කරනු ලැබේ: පසුගිය පරිච්ඡේදය පණිවිඩය හරහා එක් තනි මට්ටමක් විස්තර කරයි, නමුත් [43, 39] සමාන ප්රවේශයක් අනුගමනය කිරීමෙන්, අපි සෑම මට්ටමේදී MLPs සඳහා බෙදාහැර නොතිබුණු ස්නායු ජාල බර භාවිතා කිරීමෙන් මෙම මට්ටමට 16 වතාවක් සකස් කර ඇත. 3.6. Decoder ඩිස්කෝඩර්ගේ කාර්යය වන්නේ තොරතුරු ජාලයට ආපසු ගෙන යාම සහ ප්රතිඵලයක් ලබා ගැනීමයි. Analogous to the Grid2Mesh GNN, the Mesh2Grid GNN performs a single message passing over the Mesh2Grid bipartite subgraph GM2G(VG, VM, EM2G). The Grid2Mesh GNN is functionally equivalent to the Mesh2Grid GNN, but using the Mesh2Grid edges to send information in the opposite direction. The GNN first updates each of the Grid2Mesh edges using information of the adjacent nodes: Mesh2Grid GNN ඉන්පසු එය සෑම ජාලකූඩයක්ම යාවත්කාලීන කරයි, එම ජාලකූඩය වෙත පැමිණෙන සියලු අර්ධ වලින් තොරතුරු එකතු කරයි: මේ අවස්ථාවේදී අපි මැෂි කොන්ඩ්ස් යාවත්කාලීන නොකරමු, ඔවුන් මේ මොහොතේ සිට කිසිදු කාර්යයක් නොකරනු ඇත. මෙහිදී නැවතත් අපි ඉතිරි සම්බන්ධතාවයක් එකතු කර ඇති අතර, සටහන් සරලතාවය සඳහා, වෙනස්කම් නැවත බෙදා හැරීම, මෙම වතාවේ පමණක් ග්රීඩ් කොන්දේසි සඳහා, මේ වන විට පමණක් අවශ්ය වේ: අවසාන වශයෙන්, ජාලයේ සෑම කොන්දේසි සඳහාම yi අනාවැකි වෙනත් MLP භාවිතා කරමින් නිෂ්පාදනය කරනු ලැබේ. Output function which contains all 227 predicted variables for that grid node. Similar to [43, 39], the next weather state, 𝑋ˆ𝑡+1, is computed by adding the per-node prediction, 𝑌ˆ𝑡 , to the input state for all grid nodes, 3.7 සම්මත කිරීම සහ ජාල ප්රමාණශීලී කිරීම [43, 39] වැනි ආකාරයෙන්, අපි සියලු ආදායම් ස්ථාවර කර ඇත. සෑම භෞතික වෙනස්කම් සඳහාම, අපි 1979–2015 වසර පුරා පීඩන මට්ටමේ සම්මත හා ස්ථාවර විනිශ්චය ගණනය කර ඇති අතර, එය 0 සම්මත හා ස්ථාවර විනිශ්චය දක්වා ස්ථාවර කිරීම සඳහා භාවිතා කර ඇත. Input normalization අපගේ ආකෘතිය ප් රතිශතයක්, Y , Output normalization GraphCast ඇතුළේ අර්ධ ජාලයේ සියලුම MLPs, එක් සැඟවුණු මට්ටමකින්, සහ 512 හි සැඟවුණු සහ ප්රතිදාන මට්ටමක ප්රමාණයන් ඇත (Decoder's MLP හි අවසාන මට්ටම හැර, එහි ප්රතිදාන ප්රමාණය 227 වන අතර, සෑම ජාලය නෝඩ් සඳහා අනාවැකි වෙනස්කම් ගණනකට ගැලපෙන).We chose the "swish" [40] activation function for all MLPs.All MLPs are followed by a LayerNorm [3] layer (Decoder's MLP හැර). Neural network parameterizations 4 පුහුණු විස්තර මෙම පරිච්ඡේදය GraphCast පුහුණුව පිළිබඳ විස්තර, ආකෘතිය සංවර්ධනය කිරීම සඳහා භාවිතා කරන දත්ත බෙදාහැරීම ඇතුළත් වේ (සංස්කරණය 4.1), සෑම වෙනස්කම් හා සෘජු මට්ටම (සංස්කරණය 4.2), ස්වයංක්රීය පුහුණු ප්රවේශය (සංස්කරණය 4.3), පහසුකම් සැකසුම් (සංස්කරණය 4.4), පුහුණු වියදම් අඩු කිරීම සඳහා භාවිතා කරන පාඨමාලාව පුහුණු (සංස්කරණය 4.5), GraphCast මතකය පරාසය අඩු කිරීම සඳහා භාවිතා කරන තාක්ෂණික විස්තර (සංස්කරණය 4.6), පුහුණු කාලය (සංස්කරණය 4.7) සහ අපි භාවිතා කරන මෘදුකාංග (සංස්කරණය 4.8). 4.1. Training split මෙම අනාවැකි අනාගත තොරතුරු මත රඳා පවතී නොහැකි බව සැබෑ ප්රතිපත්තිය අනුකූල කිරීම සඳහා, GraphCast සංවර්ධනය කිරීම සඳහා භාවිතා කරන දත්ත සහ එහි ක්රියාකාරීත්වය පරීක්ෂා කිරීම සඳහා භාවිතා කරන දත්ත "අධිකාරීව" ලෙස බෙදා හැරීම සඳහා, "අධිකාරී සමූහය" පමණක් "අධිකාරී සමූහය" තුළ ඇති දත්ත වඩා පෙර දත්ත ඇතුළත් කර ඇති අතර, සංවර්ධනය සමූහය වසර 1979-2017 අතර, පරීක්ෂණ සමූහය වසර 2018-2021 ඇතුළත් වේ. අපගේ සංවර්ධන කට්ටල තුළදී, අපි දත්ත 1979–2015 වසර ඇතුළත් වන පුහුණු කට්ටලයක් සහ 2016–2017 වසර ඇතුළත් වන විනිසුරුකරණ කට්ටලයක් ලෙස බෙදා හදා ගනිමු.අපි අපේ ආකෘති සඳහා පුහුණු දත්ත ලෙස පුහුණු කට්ටලයක් භාවිතා කළා.අපගේ ආකෘති සහ සියලු පුහුණු තෝරාගැනීම් මඟින් හොඳම ක්රියාකාරීත්වය ලබා දෙන ආකෘතිය තීරණය කිරීම සඳහා අපගේ ආකෘති සහ ආකෘති පුහුණු කට්ටලයක් භාවිතා කළා.අපගේ ප්රවෘත්ති ක්රියාකාරීත්වය තුළ අපි 1959–1978 වසරවල පරණ දත්ත මත පුහුණු කිරීමත් පරීක්ෂා කළා. 4.2 පුහුණු අරමුණු GraphCast ERA5 ඉලක්කවලට එරෙහිව 12 පියවර ප්රවේශය (3 දින) තුළ ප්රවේශිත ක්රියාකාරිත්වය අවම කිරීමට පුහුණු කර ඇත.The training goal is defined as the average square error (MSE) between the target output X and predicted output X ̈, where τ ∈ 1 : Ttrain යනු Ttrain autoregressive පියවරවලට ගැලපෙන ප් රවේශ කාලයයි. d0 ∈ Dbatch යනු පුහුණු කට්ටලයේ අනාවැකි කිහිපයක දී අනාවැකි ආරම්භක දිනය-කාලය, j ∈ J පරිවර්තකය සහ වායුගෝලීය පරිවර්තකය සඳහා පීඩන මට්ටම. උදාහරණයක් ලෙස J ={z1000, z850, . . . , 2 T, MsL}, 𝑖 ∈ 𝐺0.25◦ are the location (latitude and longitude) coordinates in the grid, x ̈d0+τ සහ xd0+τ සමහර වෙනස්කම් මට්ටම, ස්ථානය සහ ප්ලඩ් කාලය,j,i j,i සඳහා අනාවැකි හා ඉලක්ක වටිනාකම් වේ. 𝑠 𝑗 is the per-variable-level inverse variance of time differences, wj = Per-variable-level බර අහිමි වීම ai යනු පෘථිවියට අනුව වෙනස් වන පෘථිවියට අනුව වෙනස් වන පෘථිවියට අනුව සාමාන් ය වන පෘථිවියට අනුවය. ai is the area of the latitude-longitude grid cell, which varies with latitude, and is normalized to unit mean over the grid. In order to build a single scalar loss, we took the average across latitude-longitude, pressure levels, variables, lead times, and batch size. We averaged across latitude-longitude axes, with a weight proportional to the latitude-longitude cell size (normalized to mean 1). We applied uniform averages across time and batch. මෙම ප්රමාණයන් s = V hxt+1 − xt i −1 යනු කාලයේ වෙනස පිළිබඳ වෙනස් මට්ටමකට වෙනස් වන වෙනස් මට්ටමක වෙනස් මට්ටම ගණනය කිරීමයි, මෙම ප්රමාණයන් (විශේෂ පියවර) දක්වා යුත් වෙනස් මට්ටමකට අනුකූල කිරීමයි. මෙම පුහුණු දත්තවලින් ගණනය කරන ලදී. පසුව අපි වෙනස් මට්ටමකට වෙනස් මට්ටමක අහිමි බර ක්රියාත්මක කර ඇත, එනම් වායුගෝලීය වෙනස්කම් සඳහා, අපි ප්රමාණයේ පීඩනයට ප්රමාණයක් සහිත බර (නිර්මානුකූල මට්ටමකට සම්මත කර ඇත) ක්රියාත්මක කරන ලදී. 6a පින්තූරය තුළ පෙන්වනු ලැබේ. අපි ආකෘතිය [26] සඳහා ප්රොක්සි ලෙස මෙහි පීඩනය භාවිතා කරමු 4.3. Training on autoregressive objective In order to improve our model’s ability to make accurate forecasts over more than one step, we used an autoregressive training regime, where the model’s predicted next step was fed back in as input for predicting the next step. The final GraphCast version was trained on 12 autoregressive steps, following a curriculum training schedule described below. The optimization procedure computed the loss on each step of the forecast, with respect to the corresponding ground truth step, error gradients with respect to the model parameters were backpropagated through the full unrolled sequence of model iterations (i.e., using backpropagation-through-time). 4.4 ආකෘතිය අපගේ ERA5 පුහුණු දත්ත සමුදාය, ප්රමාණය 32 ප්රමාණය ප්රතිලාභ සඳහා ප්රතිලාභය සමග, අපි ප්රමාණයන් (beta1 = 0.9, beta2 = 0.95) සමඟ AdamW optimizer [33, 27] භාවිතා කර ඇත. 5.4 පාඨමාලා වැඩසටහන Training the model was conducted using a curriculum of three phases, which varied the learning rates and number of autoregressive steps. The first phase consisted of 1000 gradient descent updates, with one autoregressive step, and a learning rate schedule that increased linearly from 0 to 1e−3 (Figure 7a). The second phase consisted of 299,000 gradient descent updates, again with one autoregressive step, and a learning rate schedule that decreased back to 0 with half-cosine decay function (Figure 7b). The third phase consisted of 11,000 gradient descent updates, where the number of autoregressive steps increased from 2 to 12, increasing by 1 every 1000 updates, and with a fixed learning rate of 3e−7 (Figure 7c). 4.6 මතකය අඩු කිරීම දිගු මාර්ග (12 ස්වයංක්රීය පියවර) Cloud TPU v4 උපාංගයේ 32GB වෙත ඇතුළත් කිරීම සඳහා, අපගේ ආකෘතියේ මතකය අඟහරු අඩු කිරීම සඳහා විවිධ උපාය මාර්ග භාවිතා කරමු. පළමුව, අපි 32 TPU උපාංග (එනම්, උපාංගයට එක් එක් දත්ත ස්ථානයක්) හරහා දත්ත බෙදාහැරීමට පැතිරීම සඳහා පැතිරීම භාවිතා කරමු. දෙවනුව, අපි bfloat16 ප්ලාස්ටික් නිවැරදිතාවය භාවිතා කරමු සක්රීය කිරීමෙන් ලැබෙන මතකය අඩු කර ගැනීම සඳහා (අපි සම්පූර්ණ නිවැරදිතා අංකය (එනම් float32) භාවිතා කරමු). අවසාන වශයෙන්, අපි අඩු පුහුණු වේගය සඳහා මතකය අඟහරු අඩු කර ගැනීම සඳහා gradient check-pointing [11] භාවිතා 4.7 පුහුණු කාලය autoregressive පියවර සංඛ්යාව වැඩි කිරීම සඳහා පුහුණු කාලසටහන අනුගමනය කිරීමෙන්, ඉහත විස්තර කරන පරිදි, පුහුණු GraphCast 32 TPU උපාංග මත සති හතරක් පමණ ගත විය. 8.Software සහ Hardware Stack අපි JAX [9], Haiku [23], Jraph [17], Optax, Jaxline [4] සහ xarray [25] භාවිතා කරන්නේ අපේ ආකෘති ගොඩනැගීම හා පුහුණු කිරීම සඳහා. 5) පරීක්ෂණ ක් රම This section provides details on our evaluation protocol. Section 5.1 details our approach to splitting data in a causal way, ensuring our evaluation tests for meaningful generalization, i.e., without leveraging information from the future. Section 5.2 explains in further details our choices to evaluate HRES skill and compare it to GraphCast, starting from the need for a ground truth specific to HRES to avoid penalizing it at short lead times (Section 5.2.1), the impact of ERA5 and HRES using different assimilation windows on the lookahead each state incorporates (Section 5.2.2), the resulting choice of initialization time for GraphCast and HRES to ensure that all methods benefit from the same lookahead in their inputs as well as in their targets (Section 5.2.3), and finally the evaluation period we used to report performance on 2018 (Section 5.2.4). Section 5.3 provides the definition of the metrics used to measure skill in our main results, as well as metrics used in complementary results in the Supplements. Finally, Section 5.4 details our statistical testing methodology. 5.1 පුහුණුව, විනිසුරු කිරීම සහ පරීක්ෂණ බෙදා හැරීම In the test phase, using protocol frozen at the end of the development phase (Section 4.1), we trained four versions of GraphCast, each of them on a different period. The models were trained on data from 1979–2017, 1979–2018, 1979–2019 and 1979–2020 for evaluation on the periods 2018–2021, 2019–2021, 2020–2021 සහ 2021 සතිපතා. නැවතත්, මෙම බෙදාහැරීම් ආකෘති අනුවාදය පුහුණු කිරීම සඳහා භාවිතා කරන දත්ත සහ එහි ක්රියාත්මකභාවය අගය කිරීම සඳහා භාවිතා කරන දත්ත අතර හේතු වෙන්වීමක් සකස් කර ඇත (එළිදරව් 8 බලන්න). අපගේ ප්රතිඵල බොහෝමයක් 2018 (එනම්, ආකෘතිය 1979–2017 දී පුහුණු කර ඇති අතර), කිහිපයක් හැර. සයික්ලෝන් අනුගමනය කිරීමේ අත්හදා බැලීම් සඳහා, අපි 2018–2021 දී ප්රතිඵල වාර්තා කරමු, මොකද සයික්ලෝන් එතරම් පොදු නොවේ, එබැවින් වසර ගණනාවක් ඇතුළත් කිරීමෙන් සාම්පල ප්රමාණය වැඩි කරයි. අපි දන්වන වසර මත ප්රතික්ෂේප කිරීම සඳහා GraphC 5.2 GraphCast හා HRES සමාන කිරීම 5.2.1 පොළොව සත් ය දත්ත සමුදාය තෝරා ගැනීම GraphCast ERA5 දත්ත අනාවැකි කිරීමට පුහුණු කර ඇති අතර, ERA5 දත්ත ඇතුලත් කිරීම සඳහා; අපි අපේ ආකෘතිය අනාවැකි කිරීම සඳහා ERA5 ප්රථම සත් යය ලෙස භාවිතා කර ඇත. කෙසේ වෙතත්, HRES අනාවැකි HRES විශ්ලේෂණය මත පදනම්ව ආරම්භ කරන ලදී. සාමාන්යයෙන්, ආකෘතිය තම තමන්ගේ විශ්ලේෂණය මත පරීක්ෂා කිරීම සඳහා හොඳම වෘත්තීය අනාවැකි ලබා දෙයි [45]. එබැවින් ERA5 ප්රථම සත් යය මත HRES අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි අනාවැකි 5.2.2 අනුමැතිය වින්ඩෝස්වල සමාන ප්රවේශය සපයීම ERA5 සහ HRES-fc0 දත්ත අනුකූලතා වින්ඩෝස් අතර වෙනස පාලනය කිරීම සඳහා, GraphCast සහ HRES හි හැකියාවන් සංසන්දනය කරන විට, අපි ERA5 සහ HRES-fc0 දත්ත අනුකූලතා වින්ඩෝස් අතර වෙනස පාලනය කිරීම සඳහා කිහිපයක් තෝරා ගත්තේය. Section 1 තුළ විස්තර කරන පරිදි, HRES සෑම දිනකම 00z, 06z, 12z සහ 18z හි මධ්යස්ථාන වන +/-3h වින්ඩෝස් හතරක් භාවිතා කරමින් දර්ශන අනුකූල කරයි (එහෙත් ERA5 00z සහ 12z හි මධ්යස්ථාන වන +9h / 3h වින්ඩෝස් දෙකක් භාවිතා කරයි, හෝ සමාන වශයෙන් 06z සහ 18z හි මධ්යස්ථාන වන +3h / 9h වින්ඩෝස් දෙකකි. උදාහරණයක් Figure 10 show the performance of GraphCast initialized from 06z/18z, and 00z/12z. When initialized from a state with a larger lookahead, GraphCast gets a visible improvement that persists at longer lead times, supporting our choice to initialized evaluation from 06z/18z. We applied the same logic when choosing the target on which to evaluate: we only evaluate targets which incorporate a 3h lookahead for both HRES and ERA5. Given our choice of initialization at 06z and 18z, this corresponds to evaluating every 12h, on future 06z and 18z analysis times. As a practical example, if we were to evaluate GraphCast and HRES initialized at 06z, at lead time 6h (i.e., 12z), the target for GraphCast would integrate a +9h lookahead, while the target for HRES would only incorporate +3h lookahead. At equal lead time, this could result in a harder task for GraphCast. 5.2.3. Initialization සහ validity time-of-day අනුකූල කිරීම ඉහත සඳහන් කළ පරිදි, HRES සමඟ සාධාරණ සංසන්දනය කිරීමෙන් අපට 06z සහ 18z ආරම්භක භාවිතයෙන් GraphCast අගය කිරීම අවශ් ය වන අතර, 12h හි ප්ලඩ් වේලාවන් සමඟ, එනම් බලපෑම වේලාවන් 06z සහ 18z වේ. 3.75 දින දක්වා ප්ලඩ් වේලාවන් සඳහා, 06z සහ 18z ප්ලඩ් වේලාවන් සහ බලපෑම වේලාවන් භාවිතා කිරීමෙන් ARCHIVED HRES අනාවැකි ලබා ගත හැකි අතර, මෙම ප්ලඩ් වේලාවන් මත GraphCast සමඟ සමාන සමාන සංසන්දනය කිරීම සඳහා අපි මෙම භාවිතා කරමු. 4 දින සහ ඊට වැඩි කාලීන ප්ලඩ් වේලාවන් සඳහා, ARCHIVED HRES අනාවැකි පමණක් 00z සහ 12z ප්ලඩ් වේලාවන් මත ලබා ගත හැකි අතර, අපගේ 12 පැය ප්ලඩ් වේලාවන් අනුව, 00z සහ 12z වලංගු වේලාවන් අදහස් වේ. In these comparisons of globally-defined RMSEs, we expect the difference in time-of-day to give HRES a slight advantage. In Figure 11, we can see that up to 3.5 day lead times, HRES RMSEs tend to be smaller on average over 00z and 12z initialization/validity times than they are at the 06z and 18z times which GraphCast is evaluated on. We can also see that the difference decreases as lead time increases, and that the 06z/18z RMSEs generally appear to be tending towards an asymptote above the 00z/12z RMSE, but within 2% of it. We expect these differences to continue to favor HRES at longer lead times, and regardless to remain small, and so we do not believe that they compromise our conclusions in cases where GraphCast has greater skill than HRES. සෑම විටම අපි RMSE සහ අනෙකුත් විශ්ලේෂණය ප්රතිශතයක් ලෙස ප්රතිඵල කාලය ක්රියාකාරී වන විට, අපි 06z/18z හි HRES විශ්ලේෂණය කිරීමෙන් 00z/12z හි විශ්ලේෂණය කිරීමෙන් මාරු වන 3.5 දින ප්රතිශතය දර්ශනය කරමු. 5.2 විභාග කාලය අපගේ ප්රධාන ප්රතිඵල බොහෝමයක් 2018 වසර සඳහා වාර්තා කර ඇත (අපගේ පරීක්ෂණ සයිට් වලින්), සඳහා පළමු අනාවැකි ආරම්භක කාලය 2018-01-01_06:00:00 UTC සහ අවසන් 2018-12-31_18:00:00, හෝ වැඩි ප්රතිඵල කාලය තුළ HRES අගය කරන විට, 2018-01-01_00:00:00 සහ 2018-12-31_12:00:00. 5.3 ගුණාත්මක දර්ශන We quantify the skillfulness of GraphCast, other ML models, and HRES using the root mean square error (RMSE) and the anomaly correlation coefficient (ACC), which are both computed against the models’ respective ground truth data.The RMSE measures the magnitude of the differences between forecasts and ground truth for a given variable indexed by j and a given lead time τ (see Equation (20)).The ACC, Lj,τ , is defined in Equation (29) and measures how well predicts’ differences from climatology, ie, the average weather for a location and date, correlate with the ground truth’s differences from climatology.For skill scores we use the normalized RMSE difference between model A and baseline B as (RMSEA − REBMS)/RMSEBEB, and the normalized All metrics were computed using float32 precision and reported using the native dynamic range of the variables, without normalization. අපි දීර්ඝ පරිමාණ, x j, සහ lead time, τ = tΔd සඳහා අනාවැකි දක්ෂතාවය ප්රමාණය කර ඇත, පාවිච්චි කරන ලදී ප්රමාණයෙන් බරපතල root mean square error (RMSE) ලබා දී ඇත Root mean square error (RMSE) කොහෙද • d0 ∈ Deval දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය දෝෂය • 𝑗 ∈ 𝐽 index variables and levels, e.g., 𝐽 = {z1000, z850, . . . , 2 T, MsL}, • i ∈ G0.25◦ ජාලයේ ස්ථාන (විශාලත්වය සහ දිගුකාලීනත්වය) සංකේත වේ, • x ̈d0 +τ සහ xd0 +τ සමහර වෙනස්කම් මට්ටම, ස්ථානය සහ ප්ලඩ් වේලාව සඳහා අනාවැකි හා ඉලක්ක අගය වේ. J , I , J , I • ai යනු පෘථිවියට අනුව වෙනස් වන පෘථිවියට අනුව වෙනස් වන පෘථිවියට දිගුකාලීන අලංකාරයේ ප්රදේශයයි (normalized to unit mean over the grid). අපි WeatherBench [41] කොන්දේසි අනුගමනය කරන අතර, අපි RMSE බොහෝ අනෙකුත් කොන්දේසි වල සකසන ආකාරයෙන් එය වෙනස් බව සටහන් කරමු, කොන්දේසි කොන්දේසි අවසාන මධ්යම මත පමණක් අදාළ වන අතර, එනම්, ප්රතිපත්තිය ඇතුළත් සියලු සමාලෝචන ප්රතිපත්තිය ප්රතිපත්තිය ඇතුළත් ප්රතිපත්තිය ඇතුළත් ප්රතිපත්තිය ඇතුළත් ප්රතිපත්තිය ඇතුළත්, ප්රතිපත්තිය ඇතුළත ප්රතිපත්තිය ඇතුළත්, අප පහසුකම් සඳහා RMSEs සෘජුවම ප්රතිපත්තිය ඇතුළත ගණනය, සියලු ප්රතිපත්තිය ප්රතිපත්තිය ඇතුළත ප්රතිපත්තිය ඇතුළත්, Root mean square error (RMSE), spherical harmonic domain. මෙහිදී fd0+τ සහ f d0+τ යනු මුළු ආලෝක අංකය j,l,m j,l,m සහිත පෘථිවික හවුල්කාරයන්ගේ අනාවැකි සහ ඉලක්කයයි. l සහ longitudinal wavenumber m. We calculate these coefficients from grid-based data using a discrete spherical harmonic transform [13] with triangular truncation at wavenumber 719, which was chosen to resolve the 0.25° (28km) resolution of our grid at the equator.This means that l ranges from 0 to lmax = 719 and m from −l to l. මෙම RMSE සංකේතය (21) දී ලබා දී ඇති RMSE මත පදනම් වන සංකේතය මත සමීපව සමීප වේ, කෙසේ වෙතත් එය නිවැරදිව සමාන නොවේ, කොටසක් වශයෙන් 719 ආලෝක අංකයේ තුන්ගෝලීය කපාටයක් තොල් අසල යුගෝලීය ජාලයේ අතිරේක විසඳුම විසඳන්නේ නැත. This is computed following the RMSE definition of Equation (21), but for a single location: Root mean square error (RMSE), per location. We also break down RMSE by latitude only: G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G0.25 G. This is computed following the RMSE definition of Equation (21) but restricted to a particular range of surface elevations, given by bounds 𝑧𝑙 ≤ 𝑧surface < 𝑧𝑢 on the surface geopotential: Root mean square error (RMSE), by surface elevation. එතනින් indicator function එක හැඳින්වෙනවා. This quantity is defined as Mean bias error (MBE), per location. මෙම ප් රතිශතය ප ් රතිශතයෙහි ප් රතිශතය ප ් රතිශතය ප ් රතිශතය ප ් රතිශතය ප ් රතිශතය ප ් රතිශතය ප ් රතිශතය ප ් රතිශතය Root-mean-square per-location mean bias error (RMS-MBE). මෙය විවිධ ආකෘති A සහ B හි ප්රථම ස්ථානගත කිරීම් අතර කොන්දේසි (අධිය (26)) ගණනය කරයි.We use a uncentric correlation coefficient because of the significance of the origin zero in measurements of bias, and calculate this quantity according to Correlation of per-location mean bias errors. Anomaly correlation coefficient (ACC).We also calculated the anomaly correlation coefficient for a given variable, x j, and lead time, τ = tΔd, according to එහිදී Cd0 +τ සපයන වෙනස්කම්, මට්ටම, පෘථිවිය සහ දිගුකාලය සඳහා කාලගුණ විද් යාත්මක මධ්යස්ථානය වන අතර, කාලගුණික කාලය d0 + τ ඇතුළත් වන දිනය සඳහා කාලගුණික මධ්යස්ථානය වේ. 5.4 පර්යේෂණ ක් රමවේදය 5.4.1 ප් රමාණයේ වෙනස පිළිබඳ වැදගත්කම පරීක්ෂා කිරීම අප GraphCast සහ HRES සඳහා සෑම ප්ලඩ් වේලාව τ සහ වෙනස්කම් මට්ටම j සඳහා ප්රමාණයේ වෙනස සඳහා RMSEs අතර ප්රමාණයේ වෙනස සඳහා පරීක්ෂා කරමු. [16] මෙම පරීක් ෂණය තාවකාලිකව අනාවැකි ප්රතිඵලයේ වෙනස පිළිබඳ කාල සීමාව නිවැරදිව Gaussian AR(2) ක්රියාවලි ලෙස ආකෘති කර ඇත බව අනුමත කරයි. මෙම අනුමත අපට නිවැරදිව සැබෑ නොවේ, නමුත් ECMWF විසින් මධ්යම ප්රමාණයේ කාලගුණ අනාවැකිය පරීක්ෂා කිරීම සඳහා ප්රමාණවත් බව අනුමත කරයි [16]. අපගේ පරීක්ෂණ සඳහා නාමනාත්මක උපාංග ප්රමාණය n = 730 දින 4 කට අඩු කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන කාලීන p-values, t-test statistics සහ neff අගය ඇතුළු අපගේ වැදගත්කම පරීක්ෂණයේ විස්තරිත ප්රතිඵල සඳහා පරිච්ඡේද 5 බලන්න. 5.4.2 අනාවැකි අනුකූල කිරීම For lead times 𝜏 less than 4 days, we have forecasts available at 06z and 18z initialization and validity times each day for both GraphCast and HRES, and we can test for differences in RMSEs between these paired forecasts. Defining the per-initialization-time RMSE as: We compute differences which we use to test the null hypothesis that 𝔼[diff-RMSE( 𝑗, 𝜏, 𝑑0)] = 0 against the two-sided alterna-tive. Note that by our stationarity assumption this expectation does not depend on 𝑑0. 5.2.3 පරිච්ඡේදය තුළ සාකච්ඡා කරන පරිදි, 4 දින හෝ ඊට වැඩි කාලයක් තුළ අප විසින් ලබා ගත හැකි HRES අනාවැකි පමණක් 00z සහ 12z ආරම්භක සහ බලපෑම කාලය තුළ ලබා ගත හැකි අතර, වඩාත් සාධාරණ සමාලෝචනය සඳහා (විශේෂ පරිච්ඡේදය 5.2.2) GraphCast අනාවැකි 06z සහ 18z ආරම්භක හා බලපෑම කාලය භාවිතා කිරීමෙන් අගය කළ යුතුය. සබඳතා පරීක්ෂණයක් සිදු කිරීම සඳහා, අපි GraphCast අනාවැකිගේ RMSE එකිනෙකට ඇතුළත් කර ඇති RMSE සමග සමාලෝචනය කරමු. We can use these to test the null hypothesis 𝔼[diff-RMSEinterp( 𝑗, 𝜏, 𝑑0)] = 0, which again doesn’t depend on 𝑑0 by the stationarity assumption on the differences. If we further assume that the HRES RMSE time series itself is stationary (or at least close enough to stationary over a 6 hour window) then 𝔼[diff-RMSEinterp( 𝑗, 𝜏, 𝑑0)] = 𝔼[diff-RMSE( 𝑗, 𝜏, 𝑑0)] and the interpolated differences can also be used to test deviations from the original null hypothesis that 𝔼[diff-RMSE( 𝑗, 𝜏, 𝑑0)] = 0. This stronger stationarity assumption for HRES RMSEs is violated by diurnal periodicity, and in Section 5.2.3 we do see some systematic differences in HRES RMSEs between 00z/12z and 06z/18z validity times. However as discussed there, these systematic differences reduce substantially as lead time grows and they tend to favour HRES, and so we believe that a test of 𝔼[diff-RMSE( 𝑗, 𝜏, 𝑑0)] = 0 based on diff-RMSEinterp will be conservative in cases where GraphCast appears to have greater skill than HRES. 5.4.3 RMSEs සඳහා විශ්වාසභංගයන් අපගේ RMSE දක්ෂතා ප් රචලිතයන් තුළ ඇති වැරදි බාලයන් E[RMSEGC] සහ E[RMSEHRES] (අද හෝ දැන් අංග j, τ, d0) සඳහා වෙන්වුණු විශ්වාස ප්රමාණයන් වලට අනුකූල වේ. මෙම විශ්වාස ප්රමාණයන් තනි GraphCast සහ HRES RMSE කාල සීමාවන් සඳහා ස්ථාවරත්වය අනුමත කරයි, ඉහත සඳහන් වූ පරිදි, වෙනස්කම් වල ස්ථාවරත්වය හා යම්කිසි ආකාරයකින් දූෂණය කරන බව ශක්තිමත් අනුමත වේ. 5.4.4 RMSE වෘත්තීය ලකුණු සඳහා විශ්වාසය අර්බුද 5.4.1 පරිච්ඡේදයේ විස්තර කරන ලද t-Test වලින් අපට RMSEs හි සැබෑ වෙනස සඳහා ස්ථාවර ක්රමයෙන් විශ්වාසදායක විෂයයන් ලබා ගත හැකිය, කෙසේ වෙතත්, අපගේ හැකියාව ප්රතිශතයේ දී සැබෑ RMSE හැකියාව ප්රතිශතය සඳහා විශ්වාසදායක විෂයයන් පෙන්වන්න අපි කැමතියි, එහිදී සැබෑ වෙනස HRES හි සැබෑ RMSE විසින් ස්ථාවර වේ: A confidence interval for this quantity should take into account the uncertainty of our estimate of the true HRES RMSE. Let [𝑙diff, 𝑢diff] be our 1 − 𝛼/2 confidence interval for the numerator (difference in RMSEs), and [𝑙HRES, 𝑢HRES] our 1 − 𝛼/2 confidence interval for the denominator (HRES RMSE). Given that 0 < 𝑙𝐻𝑅𝐸𝑆 in every case for us, using interval arithmetic and the union bound we obtain a conservative 1 − 𝛼 confidence interval RMSE-SStrue සඳහා අපි මෙම විශ්වාසය අර්බුදයන් RMSE වෘත්තීය ප්රතිඵල ප්රතිඵල අපේ සමාලෝචන සමීපව සකස් කර ඇත, කෙසේ වෙතත් අපි වැදගත්කම පරීක්ෂා කිරීම සඳහා ඔවුන් මත විශ්වාස නොකරමු. 6. Comparison with previous machine learning baselines To determine how GraphCast’s performance compares to other ML methods, we focus on Pangu-Weather [7], a strong MLWP baseline that operates at 0.25° resolution. To make the most direct comparison, we depart from our evaluation protocol, and use the one described in [7]. Because published Pangu-Weather results are obtained from the 00z/12z initializations, we use those same initializations for GraphCast, instead of 06z/18z, as in the rest of this paper. This allows both models to be initialized on the same inputs, which incorporate the same amount of lookahead (+9 hours, see Sections 5.2.2 and 5.2.3). As HRES initialization incorporates at most +3 hours lookahead, even if initialized from 00z/12z, we do not show the evaluation of HRES (against ERA5 or against HRES-fc0) in this comparison as it would disadvantage it. The second difference with our protocol is to report performance every 6 hours, rather than every 12 hours. Since both models are evaluated against ERA5, their targets are identical, in particular, for a given lead time, the target incorporates +3 hours or +9 hours of lookahead for both GraphCast and Pangu-Weather, allowing for a fair comparison. Pangu-Weather[7] reports its 7-day forecast accuracy (RMSE and ACC) on: z500, T 500, T 850, Q 500, U 500, v 500, 2 T, 10 U, 10 v, and MsL. පින්තූර 12 දී පෙන්නුම් කරන පරිදි, GraphCast (මල් රේඛා) ඉලක්කයන් 99.2% මත Pangu-Weather [7] (රතු රේඛා) වඩා හොඳින් ක්රියා කරයි. ප්රදේශ වෙනස්කම් (2 T, 10 U, 10 v, MsL) සඳහා, පළමු දින කිහිපය තුළ GraphCast වරද 10-20% දක්වා අඩු වන අතර, දිගු ප්රතිඵල කාලය තුළ ප්රතිඵල 7-10% දක්වා අඩු වේ. Pangu-Weather ප්රතිඵල GraphCast z500 වේ, 6 සහ 12 පැය ප්රතිඵල වේ, එහිදී GraphCast 1.7% වඩා ඉහළ සාමාන්ය RMSE (දර්ශනය 12a,e). අනාවැකි පරීක්ෂණ ප්රතිඵල මෙම අංශය GraphCast ක්රියාකාරකම් පිළිබඳ වැඩි විශ්ලේෂණය ලබා දීම, එහි ශක්තිය සහ සීමාවන් පිළිබඳ සම්පූර්ණ පින්තූරයක් ලබා දීම. අංශය 7.1 z500 කට වඩා වැඩි වෙනස්කම් සහ මට්ටම් පිළිබඳ ලිපියේ ප්රධාන ප්රතිඵල සම්පූර්ණ කරයි. අංශය 7.2 GraphCast ක්රියාකාරකම් ප්රදේශ, ප්රදේශය සහ පීඩනය මට්ටම් අනුව බෙදාහැරෙන අතර (විශේෂයෙන් උපාපෝපෝපෝසයේ පහත හා ඉහළට ක්රියාකාරකම් වෙනස් කිරීම), උපාපෝපෝපෝපෝපෝපෝපෝසය මත ක්රියාකාරකම් හා RMSE ක්රියාකාරකම් වැඩි දියුණු කිරීම සහතික කිරීම. අංශය 7.3 ක්රියාකාරකම් GraphCast ක්රියාකාරකම්වල ක්ර 7.1 අමතර වෙනස්කම් සඳහා විස්තරාත්මක ප්රතිඵල 7.1.1 RMSE සහ ACC පින්තූර 13 2a-b සම්පූර්ණ කරයි සහ GraphCast සහ HRES සඳහා HRES හා HRES සඳහා RMSE සහ සම්මත RMSE වෙනස දර්ශනය කරයි. පින්තූර 14 GraphCast සහ HRES සඳහා HRES සහ HRES සඳහා ACC සහ සම්මත ACC වෙනස දර්ශනය කරයි. පින්තූර 2c සම්මත කරයි. ACC ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක ගුණාත්මක (ACCA − ACCB)/(1 − RMSEB) අතර සම්මත ACC වෙනස වේ. 7.1.2. Detailed significance test results for RMSE comparisons GraphCast සහ HRES අතර RMSE අතර වෙනස පිළිබඳ ප්රධාන කොටසෙහි ඇති සංඛ්යානීය වැදගත්කම ප්රශ්න පිළිබඳ වැඩි විස්තර ලබා දෙයි. ප්රමාණගුණය පිළිබඳ විස්තර අංක 5.4 තුළ ඇත. මෙහිදී අපි සියලු වෙනස්කම් සඳහා p-values, පරීක්ෂණ සංඛ්යාන සහ ඵලදායී sample sizes ලබා දෙයි. space reasons we limit ourselves to three key lead times (12 hours, 2 days and 10 days) and a subset of 7 pressure levels chosen to include all cases where p > 0.05 at these lead times. 7.1.3 GraphCast මත දත්ත ප්රතිදාන බලපෑම MLWP ක්රමයේ වැදගත් විශේෂාංගයක් වන්නේ එය නවතම දත්ත සමඟ සතිපතා නැවත පුහුණු කළ හැකි වීමයි.මේ ප්රතිපත්තියේදී, ඔවුන් කාලගුණික චක්රයක් සහ අනෙකුත් සංචිතයන් වැනි කාලගුණික වෙනස්වීම් වැනි නවතම කාලගුණික ආකෘති ආකෘතිය කිරීමට ඉඩ සලසයි.ගැඹිලි දත්තගේ නවකතාව GraphCast හි පරීක්ෂණ ප්රතිඵලයට බලපාන ආකාරය පරීක්ෂා කිරීම සඳහා, අපි GraphCast හි හතරක් පුහුණු කළෙමු, පුහුණු දත්ත සෑම විටම 1979 දී ආරම්භ වූ නමුත් 2017 දී, 2018 දී, 2019 දී සහ 2020 දී අවසන් වූ අතර (අපි 2017 දී අවසන් වන විකල්පය "GraphCast:<2018" ලෙස ලියාපදිංචි කරමු). දර්ශනය 15 දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශනය දර්ශ This may also contribute to why GraphCast:<2018 and GraphCast:<2019, in particular, have lower skill scores against HRES at early lead times for the 2021 test evaluation. We note that for other variables, GraphCast:<2018 and GraphCast:<2019 tend to still outperform HRES. These results highlight a key feature of GraphCast, in allowing performance to be automatically improved by re-training on recent data. 7.2 ගැලපෙන ප් රතිඵල 7.2.1 RMSE ප්රදේශයට අනුව Per-region evaluation of forecast skill is provided in Figures 17 and 18, using the same regions and naming convention as in the ECMWF scorecards (https://sites.ecmwf.int/ifs/scorecards/ scorecards-47r3HRES.html). We added some additional regions for better coverage of the entire planet. These regions are shown in Figure 16. 7.2.2. RMSE ගුණාත්මක හා පීඩන මට්ටම අනුව ගුණාත්මක ලකුණු පින්තූර 19 දී, GraphCast සහ HRES අතර සාමාන්ය RMSE වෙනස, පීඩන මට්ටමේ හා පෘථිවියේ ප්රතිඵලයක් ලෙස. We plot only the 13 pressure levels from WeatherBench [41] on which we have evaluated HRES. මෙම ප් රදර්ශන වලදී, අපි සෑම ප් රදර්ශන මට්ටමේදී tropopause හි මධ්යම පීඩනය හඳුන්වා දෙන්නෙමු, එය තොපෝස්ෆර්ය සහ ස්ටොට්රොස්ෆර්ය වෙන් කරයි. අපි ERA-15 දත්ත සංකේතය (1979-1993) සඳහා පරිශීලක වටිනාකමක් භාවිතා කරමු. [44] පින්තූරයේ 1 දී ලබා දෙනු ලැබේ. මෙම ERA5 සඳහා සමාන නොවනු ඇත, නමුත් ඒවා පරිවර්තනය කිරීම සඳහා පුළුල් උපකාරයක් ලෙස පමණක් සැලසුම් කර ඇත. පින්තූර 2 හි ප්රදර්ශන කාඩ් වලින් අපට පෙනෙනු ඇත GraphCast අවම පීඩන මට්ටම (50hPa) හි HRES වලට වඩා නරකයි. පින්තූර 19 පෙන්වයි, GraphCast හි නරක GraphCast හි stratosphere හි අඩු දක්ෂතාවයේ හේතු දැනට දුර්වල ලෙස තේරුම් ගත හැක.We use a lower loss weighing for lower pressure levels and this may be playing some role; it is also possible that there may be differences between the ERA5 and the HRES-fc0 data sets in the predictability of variables in the stratosphere. 7.2.3 දිගුකාලීන හා දිගුකාලීන අනුවාදය In Figures 20 to 22, we plot the mean bias error (MBE, or just ‘bias’, defined in Equation (26)) of GraphCast as a function of latitude and longitude, at three lead times: 12 hours, 2 days and 10 days. In the plots for variables given on pressure levels, we have masked out regions whose surface elevation is high enough that the pressure level is below ground on average. We determine this to be the case when the surface geopotential exceeds a climatological mean geopotential at the same location and pressure level. In these regions the variable will typically have been interpolated below ground and will not represent a true atmospheric value. To quantify the average magnitude of the per-location biases shown in Figures 20 to 22, we computed the root-mean-square of per-location mean bias errors (RMS-MBE, defined in Equation (26)). These are plotted in Figure 23 for GraphCast and HRES as a function of lead time. We can see that GraphCast’s biases are smaller on average than HRES’ for most variables up to 6 days. However they generally start to exceed HRES’ biases at longer lead times, and at 4 days in the case of 2m temperature. We also calculated a correlation coefficient between GraphCast and HRES’ per-location mean bias errors (defined in Equation (27)), which is plotted as a function of lead time in Figure 24.We can see that GraphCast and HRES’ biases are uncorrelated or weakly correlated at the shortest lead times, but the correlation coefficient generally grows with lead time, reaching values as high as 0.6 at 10 days. 7.2.4. RMSE ගුණාත්මකත්වය සහ දිගුකාලීනත්වය අනුව ගුණාත්මකත්වය පින්තූර 25 සිට 27 දක්වා, අපි GraphCast සහ HRES අතර සාමාන්ය සංකේතය සහ දිගුකාලීනත්වය අනුව RMSE වෙනස සකස් කර ඇත. 7.2.3 කොටසේ මෙන්, පීඩන මට්ටම් මත දන්වන වෙනස්කම් සඳහා, අපි පෘථිවියේ ඉහළ මට්ටම ප් රමාණවත් බව පීඩන මට්ටම සාමාන්යයෙන් පොළොව යට වේ. HRES ක්රියාකාරීත්වය GraphCast වඩා වැඩි වන විශේෂාංග ප්රදේශ ඇතුළත් විශේෂාංග වෝල්ටීයතා ආසන්නයේ (විශේෂයෙන් දකුණු පොළොවේ); භූගෝලීය ප්රදේශ ආසන්නයේ; 2m උෂ්ණත්වය ආසන්නයේ පොළොවේ සහ බොහෝ භූගෝලීය ප්රදේශ; හා ඉහළ පෘථිවිය උෂ්ණත්වයේ ප්රදේශවල පෘථිවිය හෝ සමීප ප්රමාණයන් කිහිපයක් (විශේෂයෙන් පරිච්ඡේද 7.2.5 බලන්න). පැය 12 සහ දින 2 දී GraphCast සහ HRES දෙකම 06z/18z ආරම්භක සහ බලපෑම වේලාවන් මත විනිශ්චය කරනු ලැබේ, කෙසේ වෙතත් දින 10 දී GraphCast හි 06z/18z හි HRES හි 00z/12z හි සංසන්දනය කළ යුතුය (විශේෂය 5 බලන්න). 7.2.5. RMSE වෘත්තීය ලකුණු ප්රදේශයේ උස අනුව පින්තූර 25 දී, අපි GraphCast 12 පැය ප්රවේශ කාලය තුළ බොහෝ වෙනස්කම් සඳහා ඉහළ උස ප්රදේශවල පුළුල් දැනුම ඇති බව පෙනේ.We further investigated this we divided the earth surface into 32 bins by surface elevation (given in terms of geopotential height) and calculated RMSEs within each bin according to Equation (24).These are plotted in Figure 28. කෙටි ප්ලෑන් වේලාවන් සහ විශේෂයෙන් 6 පැය තුළ, GraphCast හි HRES පිළිබඳ දක්ෂතාවය ඉහළ මට්ටමේ ඉහළ මට්ටමේදී අඩු වනු ඇත, බොහෝ අවස්ථාවලදී ප්රමාණයෙන් ඉහළ මට්ටමේ HRES හි දක්ෂතාවයට පහත වැටෙනු ඇත. GraphCast යනු පීඩන මට්ටමේ කොන්දේසි (අපේ වායුගෝලීය වෙනස්කම් සඳහා) සහ පෘථිවිය මට්ටමේ කොන්දේසි (අපේ පෘථිවිය මට්ටමේ වෙනස්කම් සඳහා 2m උෂ්ණත්වය හෝ 10m සුළඟ වැනි) සකස් කිරීමෙන් සකස් කරන වෙනස්කම් මත පුහුණු කර ඇත. මෙම දෙකේ කොන්දේසි පද්ධති අතර සබඳතා පෘථිවිය මට්ටමේ උෂ්ණත්වය මත රඳා පවතී. පෘථිවිය මට්ටමේ උෂ්ණත්වය මත GraphCast සකස් කිරීම에도 불구하고 අපි මෙම සබඳතා ඉගෙන ගැනීමට සහ එය ඉහළම පෘථිවිය මට්ටමේ උෂ්ණත්වය දක්වා එය හොඳින් උඩුගත කිරීමට උත්සාහ කිරීමට යෝජනා කරමු. Variables using pressure-level coordinates are interpolated below ground when the pressure level exceeds surface pressure. GraphCast is not given any explicit indication that this has happened and this may add to the challenge of learning to forecast at high surface elevations. In further work using pressure-level coordinates we propose to provide additional signal to the model indicating when this has happened. අවසාන වශයෙන්, අඩු පීඩන මට්ටමක වායුගෝලීය වෙනස්කම් සඳහා අපගේ අහිමි බර අඩු වන අතර, එය ඉහළ ඉහළ ස්ථානවල හැකියාව බලපෑම් කළ හැකිය. 7.3 GraphCast ඇබ්ලිතීන් 7.3.1 Multi-mesh ආබාධයක් To better understand how the multi-mesh representation affects the performance of GraphCast, we compare GraphCast performance to a version of the model trained without the multi-mesh representation. The architecture of the latter model is identical to GraphCast (including same encoder and decoder, and the same number of nodes), except that in the process block, the graph only contains the edges from the finest icosahedron mesh 𝑀6 (245,760 edges, instead of 327,660 for GraphCast). As a result, the ablated model can only propagate information with short-range edges, while GraphCast contains additional long-range edges. Figure 29 (left panel) shows the scorecard comparing GraphCast to the ablated model. GraphCast benefits from the multi-mesh structure for all predicted variables, except for lead times beyond 5 days at 50 hPa. The improvement is especially pronounced for geopotential across all pressure levels and for mean sea-level pressure for lead times under 5 days. The middle panel shows the scorecard comparing the ablated model to HRES, while the right panel compares GraphCast to HRES, demonstrating that the multi-mesh is essential for GraphCast to outperform HRES on geopotential at lead times under 5 days. 7.3.2. Effect of autoregressive training අපි අඩු autoregressive (AR) පියවර7 සමඟ පුහුණු වූ GraphCast විකල්පයන්ගේ කාර්ය සාධනය විශ්ලේෂණය කළෙමු, එය ඔවුන්ගේ කෙටි ප්රවේශ කාලය කාර්ය සාධනය වැඩි ප්රවේශ කාලය කාර්ය සාධනය නිසා වැඩි දියුණු කිරීමට ඔවුන්ට උනන්දුවක් විය යුතුය. පින්තූර 30 දී පෙන්වනු ලැබේ පරිදි (නිර්මාණයෙන් අඩු AR පියවර සමඟ පුහුණු කිරීම සඳහා අනුකූල කළු රේඛාව සමඟ) අපි සොයාගත්තා, අඩු AR පියවර සමඟ පුහුණු වූ ආකෘති කෙටි ප්රවේශ කාලය නිවැරදි කිරීම සඳහා වැඩි කාලයක් වෙළඳාම් කිරීමට පුහුණු කරන ලදී. මෙම ප්රතිඵල විවිධ ආකෘති සංඛ්යාව සමඟ සංකේත කිරීම සඳහා හැකියාව පෙන්වනවා, උදාහරණයක් වශයෙන්, කෙටි, මධ්ය 7.4 පරිපූර්ණ නිශ්පාදන 7.4.1. Effect on the comparison of skill between GraphCast and HRES In Figures 31 and 32 we compare the RMSE of HRES with GraphCast before and after optimal blurring has been applied to both models. We can see that optimal blurring rarely changes the ranking of the two models, however it does generally narrow the gap between them. 7.4.2. Filtering methodology We chose filters which minimize RMSE within the class of linear, homogeneous (location invariant), isotropic (direction invariant) filters on the sphere. These filters can be applied easily in the spherical harmonic domain, where they correspond to multiplicative filter weights that depend on the total wavenumber, but not the longitudinal wavenumber [12]. සෑම ආරම්භක d0, ප්රවේශ කාලය τ, පරිවර්තකය සහ මට්ටම j සඳහා, අපි x ̈d0+τ සහ ඉලක්ක xd0+τ ප්රකාශයට විනිශ්චය ප්රවර්තනයක් [13] ක්රියාත්මක කර, සෑම යුගලයකම මුළු ආලෝක සංඛ්යාව l සහ දිගු ආලෝක සංඛ්යාව m සඳහා f ̈d0+τ හා f ̈d0+τ හා f ̈d0+τ හා f ̈d0+τ ක්රියාත්මක කර ගනිමු.අපේ අලංකාවේ අපේ ජාලයේ 0.25° (28km) විසඳුම විසඳීමට අපි මුළු ආලෝක සංඛ්යාව 719 හි තුන්ගෝලීය කොන්දේසි භාවිතා කරමු, එබැවින් l 0 සිට lmax දක්වා = 719 අතර, සෑම l සඳහා m අගය − ඉන්පසු අපි සෑම අනාවැකි කළ කොන්දේසි f ̈d0+τ විසින් ෆයිල්ටර් බර bτ , j,l,m,j,l longitudinal ආලෝකය අංකය m මත ස්වාධීනව වන බැවිනි. අපි 2017 සිට දත්ත භාවිතා කළේ මෙම බර වලට ගැලපෙන පරිදි, එය 2018 ටෙස්ට් සයිට් සමග ගැලපෙන්නේ නැත. සෑම ප්ලඩ් වේලාවකටම විවිධ ෆිල්ටරයන් ස්ථාපනය කිරීමෙන්, වැඩි ප්ලඩ් වේලාවක අනවශ් යතාවය වැඩි වීමෙන් අවුල් වීම මට්ටම නිදහසේ වැඩි විය. මෙම ක්රමය සම්පූර්ණයෙන්ම සාමාන්ය වන අතර, එය සීමා සහිතව ඇත. ෆයිල්ටරයන් සම්පූර්ණයෙන්ම නිශ්චිත වන නිසා, ඔවුන් orography හෝ මුහුදු-ගුල සීමා වැනි ස්ථානය-සැලකිලිමත් විශේෂාංග සැලකිලිමත් කිරීමට නොහැකි අතර, එබැවින් ඔවුන් මෙම ස්ථානවල අනාවැකි කළ හැකි උසස් resolutions දත්ත, හෝ අනාවැකි නොලැබෙන උසස් resolutions දත්ත සම්පූර්ණයෙන්ම අවුල් අතර තෝරා ගත යුතුය. අපගේ ECMWF අනාවැකි ප්රථම ලැයිස්තුව සඳහා කොන්දේසි අනාවැකි අනුකූල කිරීම සඳහා විකල්ප ක්රමයක් වන්නේ ENS සම්මත අනාවැකි පද්ධතියේ සම්මත සම්මත සම්මත අනුකූලතාවය විශ්ලේෂණය කිරීමයි.එහෙත්, ENS සම්මතය HRES ට වඩා අඩු විසඳුමකින් ක්රියාත්මක වන අතර, එබැවින්, එහි සම්මත සම්මතය HRES ප්රතිසංස්කරණ අනුව RMSE මත වැඩි දියුණු වනු ඇතැයි අපට පැහැදිලි නැත. 7.4.3 හොඳම ෆයිල්ටර් මාරු කාර්යයන් Filter weights are visualized in Figure 33, which shows the ratio of output power to input power for the filter, on the logarithmic decibel scale, as a function of wavelength. සමානත්වය (35), මෙය 20 log10(bτ ) සමාන වේ මුළු ආලෝකය අංකය l සපුරාලන ආලෝකය Ce / l සඳහා.) HRES සහ GraphCast දෙකම සඳහා, අපි MSE විසින් කෙටි සහ මධ්යම ආලෝකය තුළ බලශක්ති අවම කිරීම සඳහා හොඳම බව දකිනු ඇත. ආලෝකය කාලය වැඩි වන විට ආලෝකය අවම වන ආලෝකය වැඩි වන අතර එය විශාලතම වේ. MSE සඳහා පරිශීලක කිරීමෙහිදී, අපි ආලෝකය අනාවැකි අනාවැකි මත ප්රමාණවත් වන ස්වභාවික බලාපොරොත්තුව ප්රමාණවත් කිරීමට උත්සාහ කරමු. දිගු ආලෝකය කාලය තුළ මෙම අනාවැකි අනාවැකි වැඩි වන අතර කාලගුණික ක්රියාකාරිත්වය පිළිබඳ ආලෝකය පිළිබඳ අනාවැකි ප්රමාණවත්ය. අපි විශ්වාස කරන්නේ මෙම ආලෝකය කාලය ලෙස ආලෝකය ප්රමාණවත් ෆයිල්ටර් ප්රතිචාරයේ මෙම වෙනස්කම් ප්ර We can see that HRES generally requires more blurring than GraphCast, because GraphCast’s predictions already blur to some extent (see Section 7.5.3), whereas HRES’ do not. උදාහරණයක් ලෙස, අපගේ ERA5 දත්ත සංකේතයේ බොහෝ වෙනස්කම් සඳහා, ස්පර්ශය ERA5 හි ස්ථාවර විසඳුම 0.28125◦ හි නොසලකා නොතිබුණු 62km ට අඩු ආලෝක දිග සඳහා හදිසියේ කැපී පෙනේ. We also note that there are noticeable peaks in the GraphCast filter response around 100km wavelength for z500, which are not present for HRES.We believe these are filtering out small, spurious artifacts which are introduced by GraphCast around these wavelengths as a side-effect of the grid-to-mesh and mesh-to-grid transformations performed inside the model. 7.4.4. Relationship between autoregressive training horizon and blurring ඡායාරූප 34 දී, අපි ස්වයංක්රීය පුහුණුව සහ දිගු ප්ලඩ් වේලාවක GraphCast හි අනාවැකි අවුල් කිරීම අතර සම්බන්ධතාවය පරීක්ෂා කිරීමට හොඳම අවුල් කිරීමේ ප්රතිඵල භාවිතා කරමු. In the first row of Figure 34, we see that models trained with longer autoregressive training horizons benefit less from optimal blurring, and that the benefits of optimal blurring generally start to accrue only after the lead time corresponding to the horizon they were trained up to. This suggests that autoregressive training is effective in teaching the model to blur optimally up to the training horizon, but beyond this further blurring is required to minimize RMSE. It would be convenient if we could replace longer-horizon training with a simple post-processing strategy like optimal blurring, but this does not appear to be the case: in the second row of Figure 34 we see that longer-horizon autoregressive training still results in lower RMSEs, even after optimal blurring has been applied. යම් ආකාරයකින් අවම වශයෙන් අඳුරු වන අනාවැකි අවශ්ය නම්, කුඩා සංඛ්යාවක ස්වයංක්රීය පියවර සඳහා පුහුණු ආකෘතියක් භාවිතා කළ හැකිය.මේක ස්වාභාවිකව දිගු ප්රතිඵල වේලාවක ඉහළ RMSEs ප්රතිඵල කරයි, සහ මෙහි අපේ ප්රතිඵල පෙන්වා දෙයි, මෙම ඉහළ RMSEs අඳුරු නොවන නිසා පමණක් නොව, තවත් වැඩි ප්රතිඵල වේලාවක වෙනත් අමුද්රව්ය පිළිබඳ අවදානමක් ඇති වනු ඇත. 7.5 ස්පර්ශ විශ්ලේෂණය 7.5.1 මධ්යම කුසලාන වැරැද්ද ප් රචලිත බිඳවැටීම පින්තූර 35 සහ 36 දී, අපි ක්ෂේත්ර සංඛ්යාවක් පුරා GraphCast හි HRES හි දක්ෂතාවය සමාන කරමු, වඩාත් හොඳින් ෆිල්ටර කිරීම පෙර සහ පසුව (විශේෂ විස්තර 7.4 පරිච්ඡේදය බලන්න). එහිදී lmax = 719 ලෙස සමානත්වය (22) සෑම මුළු ආලෝක අංකයම l ප්රමාණයෙන් Ce / l ආලෝකයයි, එහිදී Ce පෘථිවියගේ වටයයි. අපි ශක්තිය ගැඹුරුත්වය ඉස්ටෝග්රෑම් සැලසුම්, සෑම බාර් ප්රදේශය S j,τ(l) අනුකූල වන අතර, බාර් මධ්යස්ථානය log10(1 + l) වටා (ගෝල් සංඛ්යාව මාලාවක් පහසු දර්ශන පරීක්ෂා කිරීමට ඉඩ සලසයි, නමුත් අපි ආලෝක අංකය l = 0 ඇතුළත් කළ යුතුය). At lead times of 2 days or more, for the majority of variables GraphCast improves on the skill of HRES uniformly over all wavelengths. (2m temperature is a notable exception). 12 පැය සිට 1 දින දක්වා කෙටි ප්ලඩ් වේලාවන් දී, බොහෝ වෙනස්කම් සඳහා (Z500, T500, T850 සහ U500 ඇතුළත්) HRES 200-2000km ප්රමාණයේ ප්රමාණ වලදී GraphCast ට වඩා උසස් හැකියාවක් ඇති අතර, GraphCast සාමාන්යයෙන් මෙම ප්රමාණයෙන් පිටතදී වඩා උසස් හැකියාවක් ඇත. 7.5.2. RMSE as a function of horizontal resolution උදාහරණයක් ලෙස, සෑම මුළු ආලෝකය ltrunc, අපි RMSEs ප්රතික්ෂේප හා ඉලක්ක අතර, ඔවුන් දෙදෙනාම ඒ මුළු ආලෝකය අංකය මත trunced වේ.This ප්රමාණයට සමාන වේ ආලෝකය Ce / ltrunc වන අතර Ce පෘථිවිය වටය වේ. කෙටි අනාවැකි සහ ඉලක්ක අතර RMSEs S j,τ (l) සංඛ්යාවෙහි සංකේතය (37) අනුව සංකේතය අනුව සකස් කරන ලද මධ්යම වැරදි බලශක්ති සංඛ්යාව මගින් ලබා ගත හැක. GraphCast බොහෝ අවස්ථාවලදී, අනාවැකි පරීක්ෂා කිරීම සඳහා සාමාන්යයෙන් භාවිතා කරන සියලු resolutions වල HRES ට වඩා අඩු RMSE ඇත.This applies before and after optimal filtration (see Section 7.4).Exceptions include 2 meter temperature at a number of lead times and resolutions, T 500 at 12 hour lead times, and U 500 at 12 hour lead times, where GraphCast does better at 0.25° resolution but HRES does better at resolutions around 0.5◦ to 2.5◦ (corresponding to shortest wavelengths of around 100 to 500 km). In particular we note that the native resolution of ERA5 is 0.28125◦ corresponding to a shortest wavelength of 62km, indicated by a vertical line in the plots. HRES-fc0 targets contain some signal at wavelengths shorter than 62km, but the ERA5 targets used to evaluate GraphCast do not, natively at least (see Section 7.5.3). In Figure 37 we can see that evaluating at 0.28125◦ resolution instead of 0.25° does not significantly affect the comparison of skill between GraphCast and HRES. 7.5.3 අනාවැකි සහ ඉලක්ක ප්රමාණය රූපය 38 GraphCast හි අනාවැකි, ERA5 ඉලක්ක ඔවුන් විරුද්ධව පුහුණු, හා HRES-fc0. ERA5 සහ HRES-fc0 ප්රමාණයේ වෙනස්කම් විශේෂයෙන් කෙටි ආලෝකය තුළ පෙනී සිටී. මෙම වෙනස්කම් සමහර විට ඔවුන්ගේ සම්මත IFS විසඳුම් TL639 (0.28125◦) සහ TCo1279 (0.1◦, [36]) සිට 0.25° කෙටි ආලෝකය මත ප්රතිරෝධය කිරීමට භාවිතා කරන ක්රමයන් නිසා ඇති විය හැකිය. කෙසේ වෙතත්, මෙම ප්රතිරෝධය සිදු වීමට පෙර පවා, HRES සහ ERA5 සඳහා භාවිතා කරන IFS සංස්කරණය, සැකසුම්, resolutions සහ දත්ත සංයෝගී කිරීමේ ක්රමය අතර වෙනස ඇති අතර, මෙම වෙනස ප්රමාණයටත් බලපෑම් කළ හැකිය. Differences between HRES and ERA5 We see reduced power at short-to-mid wavelengths in GraphCast's predictions which reduces further with lead time.We believe this corresponds to blurring which GraphCast has learned to perform in optimizing for MSE.We discussed this further in Sections 7.4 and 7.4.4. Blurring in GraphCast මෙම කඩුලු z500 සඳහා විශේෂයෙන් පෙනෙන අතර, ඔවුන් ප්ලෑම් කාලය සමඟ වැඩි වන බව පෙනේ.We believe they correspond to small, false artifacts introduced by the internal grid-to-mesh and mesh-to-grid transformations performed by GraphCast at each autoregressive step.In future work we hope to eliminate or reduce the effect of these artifacts, which were also observed by [26]. Peaks for GraphCast around 100km wavelengths අවසාන වශයෙන්, කෙටි ආලෝකය තුළ බලයේ මෙම වෙනස ලෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝගෝ 8. Additional severe event forecasting results In this section, we provide additional details about our severe event forecasting analysis. We note that GraphCast is not specifically trained for those downstream tasks, which demonstrates that, beyond improved skills, GraphCast provides useful forecast for tasks with real-world impact such as tracking cyclones (Section 8.1), characterizing atmospheric rivers (Section 8.2), and classifying extreme temperature (Section 8.3). Each task can also be seen as evaluating the value of GraphCast on a different axis: spatial and temporal structure of high-resolution prediction (cyclone tracking task), ability to non-linearly combine GraphCast predictions to derive quantities of interest (atmospheric rivers task), and ability to characterize extreme and rare events (extreme temperatures). 8.1 Tropical Cyclone Track අනාවැකි මෙම පරිච්ඡේදයේ දී, අපි චක්රෝන අනුකූල කිරීම සඳහා අපි භාවිතා කරන පර්යේෂණ ප්රොටොක්ලෝන විස්තර කරමු (විශෝලන 8.1.1 කොටස) සහ සංඛ්යාත්මක වැදගත්කම විශ්ලේෂණය කිරීම (විශෝලන 8.1.2 කොටස), අතිරේක ප්රතිඵල ලබා දීම (විශෝලන 8.1.3 කොටස), සහ ECMWF (විශෝලන 8.1.4 කොටස) සිට අපගේ අනුකූලකය සහ එහි වෙනස විස්තර කරමු. 8.1.1. Evaluation protocol Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction Systems එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic Cyclone Prediction System එකිනෙකට සමාන Graphic අපි එකම ප්රථම සත් යය (එනම්, IBTrACS) සම්බන්ධයෙන් වැරදි ගණනය කිරීම නිසා, විනිශ්චය ප්රතිපත්තිය 5.2.2 හි විස්තර කරන ලද සමාන සීමා වලට අදාළ නොවේ, එනම්, දෙකම ආකෘති සඳහා ඉලක්කයන් සමාන ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්ර සැබෑ මධ් යස්ථානය සහ අනාවැකි මධ් යස්ථානය අතර ඇති වැරදි ගණනය වන්නේ භූගෝලීය දුර භාවිතා කිරීමයි. 8.1.2. Statistical methodology චක්රොන් අනුගමනය කිරීමේ සංඛ්යානීය විශ්වාසය පරිගණක කිරීම සඳහා විශේෂ අවධානය යොමු කිරීමට අවශ්ය වන්නේ ප්රශ්න දෙකකි: 1. There are two ways to define the number of samples. The first one is the number of tropical cyclone events, which can be assumed to be mostly independent events. The second one is the number of per-lead time data points used, which is larger, but accounts for correlated points (for each tropical cyclone event multiple predictions are made at 6h interval). We chose to use the first definition which provides more conservative estimates of statistical significance. Both numbers are shown for lead times 1 to 5 days on the x-axis of Supplements Figure 39. 2. HRES සහ GraphCast හි උදාහරණ අනුගමනය කිරීමේ වැරදි සම්බන්ධ වේ. එබැවින් ඔවුන්ගේ වෙනස පිළිබඳ සංඛ්යානීය වෙනස ඔවුන්ගේ සමූහ වෙනස වඩා ඉතා කුඩා වේ. එබැවින්, අපි GraphCast HRES වඩා හොඳ බව විශ්වාසය වාර්තා කරමු (එළිදරව් 39b බලන්න) ආකෘති අනුව විශ්වාසය අමතරව (එළිදරව් 39a බලන්න). ඉහත කරුණු දෙක අනුව, අපි සයික්ලෝන් මට්ටමක 95% විශ්වාසභංගයන් සමඟ bootstrapping කරන්නෙමු. සෑම සයික්ලෝන් මට්ටමකදීම අපි සෑම සයික්ලෝන් මට්ටමකදීම / සයික්ලෝන් මට්ටමකදීම සෑම සයික්ලෝන් මට්ටමකදීම / සයික්ලෝන් මට්ටමකදීම සෑම සයික්ලෝන් මට්ටමකදීම එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකිනෙකාට එකින For instance, assume for a given lead time we have errors of (50, 100, 150) for cyclone A, (300, 200) for cyclone B and (100, 100) for cyclone C, with A having more samples. A bootstrapping sample at the level of cyclones first samples uniformly at random 3 cyclones with replacement (for instance A,A,B) and then computes the mean on top of the corresponding samples with multiplicity: mean(50,100,150,50,100,150,200,300)=137.5. 8.1.3. Results Supplements Figure 3a-b, අපි ප්රමාණයේ වෙනුවට ප්රමාණයේ වෙනුවට ප්රමාණයේ වැරැද්ද පෙන්වන්න තෝරා ගත්තේය. මෙම තීරණය පරීක්ෂණ සබඳතා මත ප්රතිඵල ගණනය කිරීමට පෙර සිදු විය, විනිශ්චය සබඳතා මත ප්රතිඵල ප්රතිඵල මත පදනම්ව. වසර 2016–2017, GraphCast අනුවාදය 1979–2015 දී පුහුණු කරන ලද අනුවාදය භාවිතා කිරීමෙන්, අපි අපගේ Tracker හි ප්රමාණයේ වැරැද්ද GraphCast සමඟ භාවිතා කිරීම සඳහා suboptimal බව පෙන්වා දුන්නා. අපගේ ඉලක්කය GraphCast අනාවැකි වටිනාකම ප්රමාණයේ ප්රතිඵලයක් නොවන අතර, Tracker ට වඩා, අපි ප්රමාණයේ වටිනාකම පෙන්වා දෙමු, Supplements Figure 39 දර්ශනය 3a-b දර්ශනය දර්ශනය වන අතර, ප්රමාණවත් පර්යේෂණ වරද සහ ඒකාබද්ධ සමීප විශ්ලේෂණය පෙන්වා දෙයි.We note that using the final version of our tracker (Supplements Section 8.1.4), GraphCast mean results are similar to the median one, with GraphCast significantly outperforming HRES for lead time between 2 and 5 days. ප්රසිද්ධ අඳුරු බලපෑම් නිසා, සයික්ලෝනයේ ප්රවේශය හඳුනා ගැනීම සඳහා ට්රැකර් විසින් භාවිතා කරන ප්රතිශතය සෘජු කිරීම සඳහා, ML ක්රමයන් NWPs වඩා බොහෝ විට පවතින සයික්ලෝන අඩු කර ගත හැකිය. සයික්ලෝන් අඩු කර ගැනීම විශාල ස්ථානගත වරද ඇති වීම සමඟ ඉතා සබඳතා ඇති වේ. මෙම ගැටලුව වළක්වා ගැනීමට, අපගේ hyper-parameter-searched tracker (see Supplements Section 8.1.4) HRES ලෙස සමාන සංඛ්යාවක් නැති බව අපි පරීක්ෂා කරමු. ප්රතිපාදන පින්තූර 42 සහ 43 දෘෂ්ටික වරද සහ සමීප විශ්ලේෂණය දෘෂ්ටික කාලය, සයික්ලෝන් ප්රවර්ගය අනුව බෙදාහැරෙන ප්රතිඵලයක් ලෙස පෙන්නුම් කරයි, එහිදී ප්රවර්ගය සෆීර්-සයිම්ප්සන් හුවමාරු සුළඟ කුණාටුවේ [47] මත සකසනු ලබයි, 5 ප්රවර්ගය වඩාත් ශක්තිමත් හා වඩාත් හානිදායක කුණාටුවක් ප්රදර්ශනය කරන ලදී (බොහෝ, අපි 0 ප්රවර්ගය tropical කුණාටුවක් ප්රදර්ශනය කිරීමට භාවිතා කරමු). අපි සොයා ගත්තේ GraphCast සියලු ප්රවර්ගවල HRES සමාන හෝ වඩා හොඳ ප්රතිඵල ඇත. ප්රවර්ගය 2 සඳහා සහ විශේෂයෙන් ප්රවර්ගය 5 8.1.4 ට්රැකර් විස්තර The tracker we used for GraphCast is based on our reimplementation of ECMWF’s tracker [35]. Because it is designed for 0.1° HRES, we found it helpful to add several modifications to reduce the amount of mistracked cyclones when applied to GraphCast predictions. However, tracking errors still occur, which is expected from tracking cyclone from 0.25° predictions instead of 0.1°. We note that we do not use our tracker for the HRES baseline, as its tracks are directly recovered from the TIGGE archives [8]. පළමුව, අපි ECMWF සිට ආකෘති අනුගමනයක උසස් මට්ටමේ සමුදායක් ලබා දෙන අතර, අපි සිදු කරන වෙනස්කම් සහ අපේ තීරණය ක්රියාවලිය පැහැදිලි කිරීමට පෙර. 10 U, 10 V, MsL සහ U, v සහ z ප්රමාණයන් පිළිබඳ ආකෘතියේ අනාවැකි 200, 500, 700, 850 සහ 1000 hPa ප්රමාණයේ පීඩන මට්ටමක දී, ECMWF ට්රැකර් [35] සෑම වේලාවකම පියවරක් සකසමින් සෑම වේලාවකදීම සෑම වේලාවකදීම චක්රෝනයේ ස්ථානය අනාවැකි. සෑම වේලාවකදීම ට්රැකර්ගේ අනාවැකි ප්රධාන පියවර දෙකක් ඇත. පළමු පියවරේදී, චක්රෝනයේ වර්තමානයේ ස්ථානය මත පදනම්ව, ට්රැකර් ඊළඟ ස්ථානය, 6 පැය ඉදිරියට ගණනය කරයි. දෙවන පියවර වන්නේ චක්රෝන මධ් යස්ථාන සඳහා විශේෂිත විවිධ තත්වයන් සපුරාලන ECMWF tracker ඊළඟ චක්රොන් ස්ථාන ගණනය කිරීම සඳහා, ට්රැකර් ඛේදවාචක ගණනය කිරීම සඳහා, ඛේදවාචක ස්ථාන දෙක අතර ප්රමාණය ලෙස ගණනය කරන ලද ප්රමාණය භාවිතා කරයි: 1) අවසාන ස්ථාන දෙක අතර ප්රමාණය (එනම්, මාර්ගගත අතිරේකත්වය) සහ 2) සුළඟ ධාවන ගණනය කිරීම, 200, 500, 700 සහ 850 hPa පීඩන මට්ටමක පසුගිය ඛේදවාචක ස්ථානයේ සුළඟ වේගය U සහ v ප්රමාණය. ඊළඟ චක්රොන් ස්ථාන ගණනය කිරීමෙන් පසු, ට්රැකර් මෙම ගණනයෙන් 445 කිලෝමීටර් ඇතුළත මුහුදු මට්ටමේ මධ්යම පීඩනය (MsL) සියලුම දේශීය අවම ප්රමාණයන් දෙස බලයි. උතුරු අර්බුදය සඳහා 5 · 10−5 s−1 ට වඩා විශාල හෝ දකුණු අර්බුදය සඳහා −5 · 10−5s−1 ට වඩා කුඩා වේ. 2) සුළඟ වේගය පරීක්ෂා කිරීම: ප්රශ්නකරු පොළොවේ නම්, 278 km ඇතුලත 10m සුළඟ වේගය 8m / s ට වඩා වැඩි වේ. ගබඩාව පරීක්ෂා කිරීම: සයිකල්න් extratropic නම්, z850-z200 ලෙස සංකේත කරන ලද 278 කිලෝමීටරයක් ඇතුළත 850 hPa සහ 200 hPa අතර ඉහළම ගබඩාව ඇත. If no minima satisfies all those conditions, the tracker considers that there is no cyclone. ECMWF’s tracker allows cyclones to briefly disappear under some corner-case conditions before reappearing. In our experiment with GraphCast, however, when a cyclone disappear, we stop the tracking. අපි අපගේ විනිසුරුකරණ සම්මත වසර (2016-2017), 1979-2015 දී පුහුණු වූ GraphCast අනුවාදය භාවිතා කරන අතර, පහත විස්තර කරන පරිදි ECMWF tracker ප්රථම නැවත ස්ථාපනය වෙනස් කර ඇත. Our modified tracker 1. The current step vicinity radius determines how far away from the estimate a new center candidate can be. We found this parameter to be critical and searched a better value among the following options: 445 × 𝑓 for f in 0.25, 0.375, 0.5, 0.625, 0.75, 1.0 (original value). 2. The next step vicinity radius determines how strict multiple checks are. We also found this parameter to be critical and searched a better value among the following options: 278 × 𝑓 for f in 0.25, 0.375, 0.5, 0.625, 0.75, 1.0 (original value). 3. ECMWF හි ඊළඟ පියවර අනුපාතය පාවිච්චි කරන්නේ සංකේතය අතිරේකත්වය සහ සුළඟ ධාවනය වන විගණක අතර 50-50 බරපතල වීමයි. සුළඟ 0.25 ° සම්මතය මත අනාවරණය කරන ලද අපගේ අවස්ථාවකදී, අපි සුළඟ ධාවනය සමහර විට බාධක අනුපාතය සඳහා සොයා ගත්තේය. මෙය පුදුමයක් නොවේ, මොකද සුළඟ ස්ථිරව සෘජු ක්ෂේත් රයක් නොවේ, සහ ට්රැකර් 0.1 ° සම්මත ප්රතික්ෂේපනය සඳහා ප්රමාණවත් වේ. එබැවින්, අපි ඊළඟ විකල්ප අතර බරපතලතාවය සොයමින්: 0.0, 0.1, 0.33, 0.5 (උදාහරණ අගය). එබැවින්, අපි සලකා බලන්නේ අපේක්ෂකයින් පමණි, පෙර හා නව ප්රවේශ පහත d උපාධි අතර කොන්දේසි නිර්මාණය, d මෙම අගය අතර සොයමින්: 90, 135, 150, 165, 175, 180 (එනම් කිසිදු ෆයිල්ටර්, මුල් අගය). 5.අපි දුටුවේ දුර්වල සයික්ලෝන සඳහා දුර්වල ශබ්ද ධාවනය සහ විශේෂාංග හඳුනාගැනීම අපහසු වන අතර, විශාල පිපිරීම් සිදු කරන ලද බොහෝ අසාමාන්ය ක්රියාකාරකම් නිසා.මේ අනුව, අපි x කිලෝමීටරයට වඩා දුර ගමන් කිරීම (පළමු මධ්යස්ථානය සමඟ ඩෙල්ටෝ වෙනස් කිරීමෙන්), x සඳහා පහත සඳහන් අගය සොයමින්: 445 × f සඳහා f in 0.25, 0.5, 1.0, 2.0, 4.0, ∞ (එනම් කිසිදු පිපිරීම්, මුල් අගය) සොයමින්. Hyper-parameter සොයන කාලය තුළ, GraphCast මත යෙදුණු ට්රැකර් HRES ලෙස සමාන සංඛ් යාවක චක්රෝන අඩු කර ඇති බව සහතික කිරීමෙන් ද පරීක්ෂා කර ඇත. 8.2 ගංවතුර ස්ථාවරයෙන් සම්පූර්ණ ජල අවි ප්රවාහන (IvT) සාමාන්යයෙන් වායුගෝලීය ගංවතුරන්ගේ ශක්තිය ලක්ෂණ සඳහා භාවිතා කරයි [38, 37]. GraphCast සෘජුවම IvT අනාවැකි නොකරයි සහ වායුගෝලීය ගංවතුර අනාවැකි කිරීමට විශේෂයෙන් පුහුණු නොවේ, අපි මෙම ප්රමාණය අනාවැකි වායුගෝලීය වෙනස්කම් නිශ්චිත වෝල්ටීයතාවය, Q, හා ඔරලෝසීය වෝල්ටීයතාවය, (U, v), සම්බන්ධය හරහා ලබා ගත හැකිය [38]: එහිදී g = 9,80665 m/s2 යනු පෘථිවියේ පෘථිවියේ බරපතලතාවය නිසා සිදුවන වේගයක් වන අතර, pb = 1000 hPa යනු පහළ පීඩනය වන අතර, pt = 300 hPa යනු ඉහළ පීඩනයකි. ඉහත ප්රශ්නය භාවිතා කිරීමෙන් IvT අගය කිරීම සඳහා සංඛ් යාත්මක සංයෝගයක් අවශ් ය වන අතර, ප්රතිඵල අනුව ප්රතික්ෂේපයේ කොන්දේසි විසඳුම මත රඳා පවතී. GraphCast හි පීඩන මට්ටම් 37 හි කොන්දේසි විසඳුම ඇති අතර, එය ලබා ගත හැකි HRES පරාසයන්ගේ විසඳුම වඩා ඉහළ ය.අපේ ආකෘති දෙකේ නිශ්චිත හා සාධාරණ සමාන කිරීම සඳහා, අප භාවිතා කරන්නේ එකම පීඩන මට්ටම් සංකේතයක් පමණි, එනම් [300, 400, 500, 600, 700, 850, 925, 1000] hPa. අපගේ අනෙකුත් විශ්ලේෂණය ප්රොටෝල් සමග අනුකූලව, සෑම ආදර්ශයක්ම ඔවුන්ගේම " විශ්ලේෂණය" මත විශ්ලේෂණය කරනු ලැබේ. GraphCast සඳහා, අපි එහි අනාවැකි මත පදනම්ව IvT ගණනය කර එය ERA5 වලින් සමාලෝචන ලෙස ගණනය කරන IvT සමඟ සමාලෝචනය කරමු. පසුගිය පර්යේෂණයට සමානව [10], පින්තූර 44 විසින් උතුරු ඇමරිකාවේ හා නැගෙනහිර සාගරයේ (180°W සිට 110°W දිගුකාලය, සහ 10°N සිට 60°N පෘථිවියේ) සීතල කාලගුණය තුළ (ජනවාරි සිට අප්රේල් සහ ඔක්තෝබර් සිට දෙසැම්බර් 2018 දක්වා) RMSE වෘත්තීය හා වෘත්තීය පර්යේෂණ ප්රමාණ ප්රමාණ වාර්තා කර ඇත, එය ආයුධයේ නිතර ගංගා සහිත ප්රදේශය සහ කාලගුණයයි. 8.3 උණුසුම් සහ සීතල අපි අර්ධ උෂ්ණත්වය හා සීතල අනාවැකි පර්යේෂණ ලෙස බෙදාහැරීමේ ප්රශ්නය [35, 32] අනුකූල කර ගනිමින් සැබෑ අනාවැකි ආකෘතිය නිවැරදිව අනාවැකි කළ හැකි බව (හෝ පහත) සැබෑ උෂ්ණත්වය පර්යේෂණ උෂ්ණත්වය (උදා 98% උෂ්ණත්වය පර්යේෂණ උෂ්ණත්වය පර්යේෂණ, සහ අර්ධ උෂ්ණත්වය 2% උෂ්ණත්වය පර්යේෂණ පර්යේෂණ පර්යේෂණ පර්යේෂණ පර්යේෂණ). පෙර වැඩ [35], සබැඳි උෂ්ණත්වය (1) සෑම වෙනස්කම් (2) වසර සෑම මාසය, (3) දින සෑම වේලාව, (4) සෑම පර්යේෂණ උෂ්ණත්වය / දිගුකම සංකේත, සහ (5) සෑම පී Because extreme prediction is by definition an imbalanced classification problem, we base our analysis on precision-recall plots which are well-suited for this case [42]. The precision-recall curve is obtained by varying a free parameter “gain” consisting of a scaling factor with respect to the median value of the climatology, i.e. scaled forecast = gain × (forecast − median climatology) + median climatology. This has the effect of shifting the decision boundary and allows to study different trade offs between false negatives and false positives. Intuitively, a 0 gain will produce zero forecast positives (e.g. zero false positives), and an infinite gain will produce amplify every value above the median to be a positive (so potentially up to 50% false positive rate). The “gain” is varied smoothly from 0.8 to 4.5. Similar to the rest of the results in the paper we also use labels from HRES-fc0 and ERA5 when evaluating HRES and GraphCast, respectively. අපගේ විශ්ලේෂණය අපි උෂ්ණත්ව උෂ්ණත්වය උෂ්ණත්වය, විශේෂයෙන් 2 T [35, 32], හා T 850, z500 බොහෝ විට ECMWF විසින් උෂ්ණත්ව ආලෝකය ලක්ෂණ සඳහා භාවිතා කරන අතර [34]. පෙර වැඩ පසුපස[32], අපි උෂ්ණත්ව උෂ්ණත්වය සඳහා ජූනි, ජූලි, සහ අගෝස්තු දී පෘථිවිය මත ප්රමාණය (විශාලත්වය > 20◦) සහ දෙසැම්බර්, ජනවාරි, සහ පෙබරවාරි දී පෘථිවිය මත දකුණු පෘථිවියේ (විශාලත්වය < -20◦). උෂ්ණත්ව උෂ්ණත්වය සඳහා, අපි උතුරු හා දකුණු පෘථිවියේ මාස හුවමාරු කර ඇත. දර්ශනය 45 දී සම්පූර්ණ ප්රතිඵල බලන්න. 9.Visualizations අනාවැකි මෙම අවසාන කොටස තුළ, අපි වෙනස්කම් 2 T (දර්ශනය 47), 10 U (දර්ශනය 48), MsL (දර්ශනය 49), z500 (දර්ශනය 50), T 850 (දර්ශනය 51), v 500 (දර්ශනය 52), Q 700 (දර්ශනය 53) සඳහා GraphCast විසින් සිදු කරන ලද අනාවැකි කිහිපයක් දර්ශනීය උදාහරණ ඉදිරිපත් කරමු. සබැඳි [1] Ferran Alet, Adarsh Keshav Jeewajee, Maria Bauza Villalonga, Alberto Rodriguez, Tomas Lozano-Perez සහ Leslie Kaelbling. Graph element networks: adaptive, structured computing and memory. In International Conference on Machine Learning, pages 212–222. PMLR, 2019. [2] Kelsey R Allen, Yulia Rubanova, Tatiana Lopez-Guevara, William Whitney, Alvaro Sanchez-Gonzalez, Peter Battaglia, සහ Tobias Pfaff. Face interaction graph networks සමඟ ස්ථිර දෛනිකය ඉගෙනීම. arXiv preprint arXiv:2212.03574, 2022. [3] Jimmy Lei Ba, Jamie Ryan Kiros සහ Geoffrey E. Hinton. Layer normalization. arXiv, 2016. [4] Igor Babuschkin, Kate Baumli, Alison Bell, Surya Bhupatiraju, Jake Bruce, Peter Buchlovsky, David Budden, Trevor Cai, Aidan Clark, Ivo Danihelka, Claudio Fantacci, Jonathan Godwin, Chris Jones, Ross Hemsley, Tom Hennigan, Matteo Hessel, Shaobo Hou, Steven Kapturowski, Thomas Keck, Iurii Kemaev, Michael King, Markus Kunesch, Lena Martens, Hamza Merzic, Vladimir Mikulik, Tamara Norman, John Quan, George Papamakarios, Roman Ring, Francisco Ruiz, Alvaro Sanchez, Rosalia Schneider, Eren Sezener, Stephen Spencer, Srivatsan Srinivasan, Luyu, Wangciech Wojciech Stokowiec සහ Fabio Viola. //github.com/deepmind 2020 දී [5] Peter Battaglia, Razvan Pascanu, Matthew Lai, Danilo Jimenez Rezende, et al. Interaction networks for learning about objects, relations and physics. Advances in neural information processing systems, 29, 2016. [6] Peter W Battaglia, Jessica B Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinicius Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, et al. සන්නිවේදන ඉඟි, ගැඹුරු ඉගෙනීම, සහ ග්රැෆ් ජාල. arXiv preprint arXiv:1806.01261, 2018. [7] Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, සහ Qi Tian. Pangu-Weather: වේගවත් සහ නිවැරදි ගෝලීය කාලගුණ අනාවැකි සඳහා 3D උසස් resolutions ආකෘතිය. arXiv preprint arXiv:2211.02556, 2022. [8] Philippe Bougeault, Zoltan Toth, Craig Bishop, Barbara Brown, David Burridge, De Hui Chen, Beth Ebert, Manuel Fuentes, Thomas M Hamill, Ken Mylne, et al. The THORPEX interactive grand global ensemble. [9] James Bradbury, Roy Frostig, Peter Hawkins, Matthew James Johnson, Chris Leary, Dougal Maclaurin, George Necula, Adam Paszke, Jake VanderPlas, Skye Wanderman-Milne, සහ Qiao Zhang. JAX: Python+NumPy වැඩසටහන් වල Composable Transformations. http://github. com/google/jax, 2018. [10] WE Chapman, AC Subramanian, L Delle Monache, SP Xie, සහ FM Ralph. වායුගෝලීය ගඟ අනාවැකි කාර්මික ඉගෙනීම සමඟ වැඩි දියුණු කිරීම. Geophysical Research Letters, 46(17-18):10627-10635, 2019. [11] Tianqi Chen, Bing Xu, Chiyuan Zhang, සහ Carlos Guestrin. Sublinear මතක වියදම් සහිත ගැඹුරු ජාල පුහුණු කිරීම. arXiv preprint arXiv:1604.06174, 2016. [12] Balaji Devaraju. ප්රවර්ගය මත ෆිල්ටර කිරීම තේරුම් ගැනීම: GRACE දත්ත ෆිල්ටර කිරීමෙන් අත්දැකීම්. PhD විභාගය, ස්ටූටාර්ට් විශ්ව විද්යාලය, 2015. [13] J R Driscoll සහ D M Healy. Computing fourier පරිවර්තනය සහ 2 ක්ෂේත් රයේ convolutions. ප් රචණ්ඩත්වය, 15(2):202–250, ජූනි 1994 [14] ECMWF. IFS ලියාපදිංචිය CY41R2 - Part III: Dynamics and numerical procedures. https: //www.ecmwf.int/node/16647, 2016 වසරේදී [15] Meire Fortunato, Tobias Pfaff, Peter Wirnsberger, Alexander Pritzel, සහ Peter Battaglia. Multi-scale meshgraphnets. arXiv preprint arXiv:2210.00612, 2022. [16] Alan J Geer. මධ් යම ප්රමාණයේ අනාවැකි ප්රතිඵලවල වෙනස්වීම්වල වැදගත්කම. Tellus A: Dynamic Meteorology and Oceanography, 68(1):30229, 2016. [17] Jonathan Godwin, Thomas Keck, Peter Battaglia, Victor Bapst, Thomas Kipf, Yujia Li, Kimberly Stachenfeld, Petar Veličković, සහ Alvaro Sanchez-Gonzalez. Jraph: JAX හි ග්රැෆ් අර්ධ ජාල සඳහා පුස්තකාලය. http://github.com/deepmind/jraph, 2020. [18] T. Haiden, Martin Janousek, Jean-Raymond Bidlot, R. Buizza, L. Ferranti, F. Prates, සහ Frédéric Vitart ECMWF අනාවැකි, 2018 යාවත්කාලීන කිරීම ඇතුළත්. https://www.ecmwf. int/node/18746, 10/2018 2018. [19] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, Crtistina Prates, සහ ඩේවිඩ් Richardson. ECMWF අනාවැකි, 2020 යාවත්කාලීන ඇතුළත්. https://www.ecmwf.int/node/19879, 01/2021 2021. [20] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, සහ Fernando Prates. ECMWF අනාවැකි, ඇතුළු 2021 යාවත්කාලීන කිරීම. https://www. ecmwf.int/node/20142, 09/2021 2021. [21] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, Fernando Prates, and David Richardson. Evaluation of ECMWF forecasts, including the 2021 upgrade. https://www.ecmwf.int/node/20469, 09/2022 2022. [22] Thomas Haiden, Martin Janousek, Frédéric Vitart, Laura Ferranti, සහ Fernando Prates. ECMWF අනාවැකි, 2019 යාවත්කාලීන කිරීම ඇතුළත්. https://www.ecmwf.int/node/ 19277, 11/2019 2019. Tom Hennigan, Trevor Cai, Tamara Norman සහ Igor Babuschkin. http://github.com/deepmind/dm-haiku, 2020. [24] Hans Hersbach, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, Carole Peubey, Raluca Radu, Dinand Schepers, et al. ERA5 ගෝලීය නැවත විශ්ලේෂණය. Royal Meteorological Society Quarterly Journal, 146(730):1999–2049, 2020. [25] S. Hoyer සහ J. Hamman. xarray: Python හි N-D ලියාපදිංචි සංඛ්යාත සහ දත්ත සමුදාය. Open Research Software Journal, 5(1), 2017. [26] Ryan Keisler. ගෝලීය කාලගුණික අනාවැකි ග්රැෆෝස් අර්ධ ජාල සමග. arXiv preprint arXiv:2202.07575, 2022. [27] Diederik P Kingma සහ ජිම්මි Ba. ඇඩම්: ස්ටොකස්ටික් ආකෘතිය සඳහා ක්රමයක්. arXiv preprint arXiv:1412.6980, 2014. [28] Kenneth R Knapp, Howard J Diamond, James P Kossin, Michael C Kruk, Carl J Schreck, et al. ජාත්යන්තර හොඳම පාඨමාලාව ව්යාපෘතිය (IBTrACS) සංස්කරණය 4. https://doi.org/10.25921/82ty-9e16, 2018. [29] Kenneth R Knapp, Michael C Kruk, ඩේවිඩ් H Levinson, Howard J Diamond, සහ චාල්ස් J Neumann. ජාත්යන්තර හොඳම ගවේෂණය සඳහා ගවේෂණය පුවරුව (IBTrACS) උෂ්ණ භූමිකම්පාව දත්ත එක්වීම. [30] Michael C Kruk, Kenneth R Knapp, and David H Levinson. A technique for combining global tropical cyclone best track data. Journal of Atmospheric and Oceanic Technology, 27(4):680-692, 2010. [31] David H Levinson, Howard J Diamond, Kenneth R Knapp, Michael C Kruk, and Ethan J Gibney. Toward a homogenous global tropical cyclone best-track dataset. Bulletin of the American Meteorological Society, 91(3):377–380, 2010. [32] Ignacio Lopez-Gomez, Amy McGovern, Shreya Agrawal සහ Jason Hickey. අර්ධ කාලගුණ ආකෘති භාවිතා කරන ගෝලීය උෂ්ණත්වය අනාවැකි. [33] Ilya Loshchilov සහ Frank Hutter. විවෘත බර කඩා වැටීම නිවැරදි කිරීම. arXiv preprint arXiv:1711.05101, 2017. [34] ලින්ස් Magnusson. 202208 - heatwave - uk. https://confluence.ecmwf.int/display/ FCST/202208+-+Heatwave+-+UK, 2022. [35] Linus Magnusson, Thomas Haiden, සහ ඩේවිඩ් Richardson. Extreme weather events verification: Discrete predictands. European Centre for Medium-Range Weather Forecasts, 2014. [36] S. Malardel, Nils Wedi, Willem Deconinck, Michail Diamantakis, ක් රිස්තියානි Kuehnlein, G. Mozdzynski, M. Hamrud, සහ Piotr Smolarkiewicz. IFS සඳහා නව ජාලය. https: //www.ecmwf.int/node/17262, 2016 වසරේදී [37] Benjamin J Moore, Paul J Neiman, F Martin Ralph, සහ Faye E Barthold. Nashville, Tennessee, සහ ප්රදේශයේ විශාල වැසි වැසි සමග සම්බන්ධ භෞතික ක්රියාවලිය 1–2 මැයි 2010: වායුගෝලීය ගඟ සහ මැසෙස්කාල් සංශෝධන පද්ධතිගේ කාර්යය. [38] Paul J Neiman, F Martin Ralph, Gary A Wick, Jessica D Lundquist, සහ Michael D Dettinger උතුරු ඇමරිකාවේ බටහිර වෙරළට බලපාන වායුගෝලීය ගංගාගේ වායුගෝලීය විශේෂාංග සහ භූමියේ වැසි බලපෑම් හයිඩ්රොමෝරෝගෝලයේ වාර්තාව, 9(1):22-47, 2008. [39] Tobias Pfaff, Meire Fortunato, Alvaro Sanchez-Gonzalez, සහ Peter Battaglia. Graph ජාලය සමඟ ජාලය මත පදනම්ව සිතිවිලි අධ්යයනය. [40] Prajit Ramachandran, Barret Zoph, and Quoc V Le. ක්රියාකාරකම් සොයමින්. arXiv preprint arXiv:1710.05941, 2017. [41] Stephan Rasp, Peter D Dueben, Sebastian Scher, Jonathan A Weyn, Soukayna Mouatadid, සහ Nils Thuerey. WeatherBench: දත්ත පදනම්ව කාලගුණ අනාවැකි සඳහා බැංකු දත්ත සමුදාය. ජෝන්සෝන් A Weyn, 12(11):e2020MS002203, 2020. [42] Takaya Saito සහ මාර්ක් Rehmsmeier. නිවැරදි මතක් කර ගැනීමේ ව්යාපාරය ROC ව්යාපාරයට වඩා තොරතුරු ප්රමාණවත් වන අතර, අසාමාන්ය දත්ත රැස්වීම් මත බෙනරි ප්රදර්ශන අගය කරන විට. PloS එකක්, 10(3):e0118432, 2015. [43] Alvaro Sanchez-Gonzalez, Jonathan Godwin, Tobias Pfaff, Rex Ying, Jure Leskovec, and Peter Battaglia. Learning to simulate complex physics with graph networks. In International Conference on Machine Learning, pages 8459–8468. PMLR, 2020. [44] B. D. Santer, R. Sausen, T. M. L. Wigley, J. S. Boyle, K. AchutaRao, C. Doutriaux, J. E. Hansen, G. A. Meehl, E. Roeckner, R. Ruedy, G. Schmidt, සහ K. E. Taylor. උෂ්ණත්ව උෂ්ණත්වය හා උෂ්ණත්ව උෂ්ණත්වය උපාංග, නැවත විශ්ලේෂණය හා නිරීක්ෂණය: දශක ගණනක වෙනස්කම්. [45] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M Hamill, Tim D Hewson, Julia H Keller, Mio Matsueda, John Methven, Florian Pappenberger, ආදිය. [46] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M. Hamill, Tim D. Hewson, Julia H. Keller, Mio Matsueda, John Methven, Florian Pappenberger, Michael Scheuerer, Helen A. Titley, Laurence Wilson, සහ Munehiko Yamaguchi. TIGGE ව්යාපෘතිය සහ එහි ප්රතිඵල. ඇමරිකානු කාලගුණික සංගමය ප්රවෘත්ති, 97(1):49 – 67, 2016. [47] Harvey Thurm Taylor, Bill Ward, Mark Willis, සහ වොල්ට් Zaleski. සුපර්-සයිම්ප්සන් කුණාටුව සුළඟ කුණාටුව. වායුගෝලීය පරිපාලනය: වොෂින්ටන්, DC, එක්සත් ජනපදය, 2010. [48] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser, හා Illia Polosukhin. අවධානය ඔබට අවශ්ය සියල්ල වේ. [49] Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Lio, සහ Yoshua Bengio. Graph අවධානය ජාල. arXiv preprint arXiv:1710.10903, 2017. මෙම ලිපිය CC by 4.0 Deed (Attribution 4.0 International) බලපත් ර යටතේ ලබා ගත හැකිය. මෙම ලිපිය CC by 4.0 Deed (Attribution 4.0 International) බලපත් ර යටතේ ලබා ගත හැකිය.