This thesis explores the application of generative modeling techniques to probabilistic weather forecasting, specifically through the development of DEFfusion (Direct Ensemble Forecasting with Diffusion). DEFfusion aims to address limitations in current Machine Learning Weather Prediction (MLWP) models, which tend to produce blurry forecasts and rely heavily on iterative methods. By using a diffusion model, the thesis demonstrates the potential of direct forecasting to generate more accurate and computationally efficient weather predictions. The approach involves generating an ensemble of possible future weather states from a given initial condition, utilizing a Quasi-Geostrophic (QG) model for experimental feasibility. The methodology includes training a neural network to perform dimensionality reduction via an autoencoder and employing a diffusion model to handle the probabilistic aspects of forecasting. Evaluation metrics such as Root Mean Squared Error (RMSE), Continuous Ranked Probability Score (CRPS), and Skill/Spread ratio indicate that DEFfusion offers improved performance over iterative approaches. This research contributes to advancing MLWP models by enhancing their ability to quantify uncertainty and capture extreme events, paving the way for more reliable and efficient weather prediction systems.

Denna masteruppsats utforskar tillämpningen av generativ modellering för sannolikhetsväderprognoser, specifikt genom utvecklingen av DEFfusion (Direct Ensemble Forecasting with Diffusion). DEFfusion syftar till att åtgärda begränsningarna i nuvarande maskinilärningsväderprognosmodeller, som tenderar att producera suddiga prognoser och använder iterativa metoder. Genom att använda en diffusionsmodell påvisar uppsatsen potentialen hos direkta prognoser för mer exakta och effektivare väderprognoser. Detta görs genom att generera en ensemble av möjliga framtida vädertillstånd från ett givet initialtillstånd för en kvasi-geostrofisk modell. Metoden inkluderar träning av ett neuralt nätverk för att utföra dimensionsreduktionen, och användningen av en diffusionsmodell för att hantera de probabilistiska aspekterna av prognoser. Evalueringsmått så som Root Mean Squared Error (RMSE), Continuous Ranked Probability Score (CRPS), och Skill/Spread ratio visar på att DEFfusion presterar bättre än traditionella iterativa metoder. Denna forskning bidrar till att utveckla maskinilärningsväderprognosmodeller genom att förbättra deras förmåga att kvantifiera osäkerhet och fånga extrema händelser, vilket banar väg för mer tillförlitliga och effektiva väderprognossystem.