[論文レビュー] A data-driven approach to precipitation parameterizations using convolutional encoder-decoder neural networks

Pablo Larraondo, Luigi J. Renzullo+2 more|arXiv (Cornell University)|Mar 25, 2019

Meteorological Phenomena and Simulations被引用数 25

ひとこと要約

この論文では、地理的高さのみを用いたデータ駆動型アプローチを提案し、畳み込みエンコーダデコーダニューラルネットワークを用いて降水量を推定する。これらのモデルが、高い精度で大気場における複雑な空間的関係を学習できることを示している。この手法は、従来の機械学習モデルを上回り、降水量予測に最も影響を与える主要な大気層を特定している。

ABSTRACT

Numerical Weather Prediction (NWP) models represent sub-grid processes using parameterizations, which are often complex and a major source of uncertainty in weather forecasting. In this work, we devise a simple machine learning (ML) methodology to learn parameterizations from basic NWP fields. Specifically, we demonstrate how encoder-decoder Convolutional Neural Networks (CNN) can be used to derive total precipitation using geopotential height as the only input. Several popular neural network architectures, from the field of image processing, are considered and a comparison with baseline ML methodologies is provided. We use NWP reanalysis data to train different ML models showing how encoder-decoder CNNs are able to interpret the spatial information contained in the geopotential field to infer total precipitation with a high degree of accuracy. We also provide a method to identify the levels of the geopotential height that have a higher influence on precipitation through a variable selection process. As far as we know, this paper covers the first attempt to model NWP parameterizations using CNN methodologies.

研究の動機と目的

• 数値 wea ther予測（NWP）における降水量パラメータ化を、地理的高さのみを入力として用いる機械学習ベースの手法を開発すること。
• 畳み込みエンコーダデコーダニューラルネットワークが、地理的高さと降水量の間の空間的関係をどの程度学習できるかを評価すること。
• 線形回帰やランダムフォレストなどの従来の機械学習手法と比較して、深層学習モデルの予測精度を評価すること。
• 変数選択プロセスを用いて、降水量推定に最も寄与する地理的高さの大气層を同定すること。
• 単一の基本的NWPフィールドから、複雑な非線形の降水量パターンを学習できることを示し、深層学習がNWPパラメータ化における潜在的可能性を強調すること。

提案手法

• コンピュータビジョンにインspiredされたアーキテクチャを用いた、畳み込みエンコーダデコーダニューラルネットワーク（CNN）を採用し、2次元の地理的高さ場を総降水量場にマッピングする。
• 複数の大気層における地理的高さを入力として用い、欧州地域を広くカバーする40年分のERA-Interim再解析データを用いてモデルを訓練した。
• パッチベースのトレーニング戦略を適用し、地理的高さフィールドの局所的空間領域を用いて、対応する局所的降水量値を予測した。
• 変数選択プロセスを適用し、正確な降水量推定に最も寄与する大気層の地理的高さを同定した。
• U-Netの変更版を含む、複数の最先端CNNアーキテクチャを評価し、降水量予測に最も優れた性能を示すモデルを同定した。
• 線形回帰、LASSO、ランダムフォレストといったベースライン手法と比較し、選択されたテスト地点における相関係数やRMSEなどの指標を用いてモデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 畳み込みエンコーダデコーダネットワークは、他の物理的フィールドを除き、地理的高さのみを用いて総降水量を予測できるか？
• RQ2 どのエンコーダデコーダCNNアーキテクチャが、地理的高さ場から降水量を推定する際に最も優れた性能を示すか？
• RQ3 どの大気層の地理的高さが、降水量予測に最も情報量が多いか？
• RQ4 この降水量推定タスクにおいて、深層学習モデルの性能は従来の機械学習手法と比べてどの程度優れているか？
• RQ5 地理的高さの空間的・合成スケールのパターンをどの程度活用して、複雑な降水量フィールドを推定できるか？

主な発見

• 変更を加えたU-Netエンコーダデコーダアーキテクチャが、全テストCNNモデルの中で総降水量場を再現する際、最高の精度を達成した。
• エンコーダデコーダCNNは、従来の機械学習モデルに比べ顕著な性能優位性を示し、最良のモデルでは相関係数が0.52を超えた。
• ランダムフォレストモデルは線形モデルと比べてわずかな改善にとどまり、降水量パターンの空間的シャープネスや構造を捉えることができなかった。
• 変数選択プロセスにより、正確な降水量推定に最も寄与する地理的高さの大気層が的確に同定された。
• 他の物理変数（湿度や温度など）を含まないにもかかわらず、最良のCNNモデルは大規模およびメソスケールの降水量特徴を顕著な空間的整合性で捉えていた。
• 結果から、深層学習モデルは、他の物理変数が欠如している状況下でも、地理的高さと降水量の間の複雑な非線形的関係を抽出できることを示唆している。