Efficient Fine-Tuning of 37-Level GraphCast with the Canadian Global Deterministic Analysis
Notice bibliographique
Résumé
Abstract This work describes a process for efficiently fine-tuning the GraphCast data-driven numerical weather prediction model to be consistent with another analysis system, here the Global Deterministic Prediction System (GDPS) of Environment and Climate Change Canada (ECCC). The GDPS system was significantly upgraded in 2019, so there is only a limited period of operational data to use for model training. This work considers the effect of using 2 years of training data (July 2019–December 2021) and a restricted computational budget to tune the 37-level, quarter-degree version of GraphCast with an empirically determined vertical weighting of model error. The GDPS-tuned model significantly outperforms both the operational (traditional) forecast and the unmodified GraphCast model when initialized with the GDPS analysis, showing significant forecast skill in the troposphere over 1- to 10-day lead times. This fine-tuning is accomplished through an abbreviation of the original training curriculum, relying on a shorter single-step forecast stage to complete most of the adaptation, followed by a consolidation of the forecast-lengthening stages into separate 12-h, 1-day, 2-day, and 3-day stages. In addition, a “control” run trained with ERA5 data shows that fine-tuning on recent data improves forecast skill on a going-forward basis. Significance Statement This work represents the first published guideline for the adaptation of the full, 37-level, quarter-degree GraphCast model to another analysis system. Without this fine-tuning, the accuracy of GraphCast forecasts suffers when it is fed by initial conditions from analysis systems that have systematic differences compared to GraphCast’s training data, and fine-tuning is essential to make the best operational use of GraphCast.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».