GraphCast machine learning model for weather prediction

Abstract

This thesis explores the use of machine learning (ML) techniques in at- mospheric science, with a focus on comparing the performance of traditional global numerical weather prediction models with ML-based approaches. Specif- ically, the study investigates the GraphCast model, a cutting-edge ML model for weather forecasting, and compares its 10-day predictions with those of the Global Forecast System (GFS). The research involves collecting and postpro- cessing forecast data for a fine-tuned version of GraphCast and GFS and con- ducting a comparison analysis for a standardised subset of prediction variables. The analysis evaluates the accuracy of both models, both in long-term forecasts and predicting extreme precipitation in the Czech Republic, providing insights into the strengths and limitations of ML-based methods. Focus is also placed on investigating the learnt ERA5 bias of the GraphCast model. We confirm the findings of others that GraphCast can rival, and sometimes outperform, traditional numerical models.

Tato práce se zabývá použitím metod strojového učení (ML) ve fyzice at- mosféry, se zaměřením na porovnání tradičních globálních numerických modelů pro předpověď počasí s přístupy založenými na strojovém učení. Konkrétně je zkoumán špičkový ML model GraphCast, jehož desetidenní předpovědi jsou porovnávány s předpověďmi modelu Global Forecast System (GFS). Výzkum zahrnuje sběr a následné zpracování dat z předpovědí vyladěné verze modelu GraphCast a GFS a provedení analýzy na standardizované množině předpovědních veličin. Analýza hodnotí přesnost obou modelů jak z hlediska dlouhodobé předpovědi, tak i v předpovídání extrémních srážek na území České republiky, čímž poskytuje vhled do silných a slabých stránek ML metod. Práce rovněž zkoumá naučené odchylky modelu GraphCast vzhledem k referenčním datům ERA5. Potvrzujeme zjištění jiných studií, že GraphCast může konkurovat, a v některých případech i překonat, tradiční numerické modely.