Leveraging Data-Driven Weather Forecasting for Improving Numerical Weather Prediction Skill Through Large-Scale Spectral Nudging
Notice bibliographique
Résumé
Operational weather forecasting has traditionally relied on physics-based numerical weather prediction (NWP) models, but the rise of AI-based weather emulators is reshaping this paradigm. However, most data-driven models for medium-range forecasting still face limitations, such as a narrow range of predicted variables and low effective spatiotemporal resolution. This presentation will compare the strengths and weaknesses of these two approaches, using Environment and Climate Change Canada’s Global Environmental Multiscale (GEM) model and Google DeepMind’s GraphCast model. It will demonstrate that GraphCast outperforms GEM in predicting large-scale features, particularly for longer lead times.Building on these findings, we propose a new hybrid NWP-AI system, in which GEM’s large-scale state variables are spectrally nudged towards GraphCast’s inferences, while GEM continues to generate fine-scale details critical for weather extremes. Results show that this hybrid system improves GEM’s forecast accuracy, reducing RMSE for the 500-hPa geopotential height by 5-10% and extending predictability by 6-12 hours in the extratropics, peaking at day 7 of the forecast. It also yields significant improvements in tropical cyclone trajectory prediction without degrading intensity forecasts. Unlike state-of-the-art AI-based models, the hybrid system ensures meteorologists retain access to all forecast variables, including those critical for high-impact weather. Preparations are currently well underway for the operationalization of this hybrid system at the Canadian Meteorological Centre.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».