[論文レビュー] A Deep Convolutional Neural Network Model for improving WRF Forecasts

Alqamah Sayeed, Yunsoo Choi+4 more|arXiv (Cornell University)|Aug 14, 2020

Meteorological Phenomena and Simulations参考文献 22被引用数 10

ひとこと要約

本研究では、韓国におけるWRF中尺度気象予報の系統的バイアスを補正するための深層畳み込みニューラルネットワーク（CNN）を、後処理ツールとして提案する。2014年から2017年までの4年間分のWRF予報データと地上観測データを用いて学習させたCNNは、2018年の予報において風速、降水量、気温、その他のパラメータの誤差を低減し、93か所の観測所において、WRFの一致指数（IOA）0.67～0.98を0.85～0.99に向上させる。

ABSTRACT

Advancements in numerical weather prediction models have accelerated, fostering a more comprehensive understanding of physical phenomena pertaining to the dynamics of weather and related computing resources. Despite these advancements, these models contain inherent biases due to parameterization and linearization of the differential equations that reduce forecasting accuracy. In this work, we investigate the use of a computationally efficient deep learning method, the Convolutional Neural Network (CNN), as a post-processing technique that improves mesoscale Weather and Research Forecasting (WRF) one day forecast (with a one-hour temporal resolution) outputs. Using the CNN architecture, we bias-correct several meteorological parameters calculated by the WRF model for all of 2018. We train the CNN model with a four-year history (2014-2017) to investigate the patterns in WRF biases and then reduce these biases in forecasts for surface wind speed and direction, precipitation, relative humidity, surface pressure, dewpoint temperature, and surface temperature. The WRF data, with a spatial resolution of 27 km, covers South Korea. We obtain ground observations from the Korean Meteorological Administration station network for 93 weather station locations. The results indicate a noticeable improvement in WRF forecasts in all station locations. The average of annual index of agreement for surface wind, precipitation, surface pressure, temperature, dewpoint temperature and relative humidity of all stations are 0.85 (WRF:0.67), 0.62 (WRF:0.56), 0.91 (WRF:0.69), 0.99 (WRF:0.98), 0.98 (WRF:0.98), and 0.92 (WRF:0.87), respectively. While this study focuses on South Korea, the proposed approach can be applied for any measured weather parameters at any location.

研究の動機と目的

• 中尺度気象予報のためのWRFモデル出力における系統的バイアスを低減すること。
• WRFのコア物理を変更せずに、計算効率の高い深層学習手法を構築し、WRFの精度を向上させること。
• CNNが複数の気象変数および空間的位置にわたって一般化できる能力を評価すること。
• 本手法が韓国を越えて他の地域や気象パラメータへも適用可能であることを示すこと。

提案手法

• 2次元の完全畳み込みニューラルネットワーク（FCN）を、WRF予報バイアスの空間的・時間的パターンを学習するように訓練する。
• 韓国における93か所の観測所から得られた、2014年から2017年までのWRF出力と対応する地上観測データの4年間分の履歴データセットを用いる。
• 入力特徴量には、27km解像度のWRF予測値（例：風速、気温、降水量）が含まれる一方、ターゲットは韓国気象庁の観測値である。
• 全変数の予報バイアスを最小化するために、平均二乗誤差損失関数を用いてエンドツーエンドでCNNを訓練する。
• 訓練済みモデルを2018年のWRF予報に適用し、推論処理を実施。バイアス補正は、各グリッド点および時刻に適用される。
• 評価には、観測値に対する予報精度を定量化する指標として一致指数（IOA）を用いる。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、複数の気象変数にわたって、WRFモデル出力の系統的バイアスを効果的に学習し補正できるか？
• RQ2 風速や降水量といった主要な変数について、CNNベースの後処理手法は、生のWRF出力に比べて予報精度をどの程度向上させるか？
• RQ3 本モデルは、韓国内の異なる空間的位置および気象条件にわたって、どの程度一般化できるか？
• RQ4 複数年の履歴データを含めることで、モデルがWRFの持続的バイアスを捉える能力が向上するか？

主な発見

• CNNベースの後処理手法により、表面風速の一致指数（IOA）が、生のWRFの0.67から93か所すべてで0.85に向上した。
• 降水量に関しては、IOAがWRFの0.56から0.62に上昇し、雨量予報の精度が顕著に向上した。
• 気圧予報では最も高い改善が見られ、IOAがWRFの0.69から0.91に上昇し、強力なバイアス補正が実現した。
• 気温および露点温度の予報は、観測値とほぼ完全に一致し、IOAは0.99（WRF：0.98）および0.98（WRF：0.98）を達成した。
• 相対湿度の予報についても改善が見られ、IOAはWRFの0.87から0.92に上昇し、変数全体にわたる強固な補正が確認された。
• 本手法は転送可能である：同じ訓練済みモデルアーキテクチャを、最小限の再訓練で、任意の地域および気象パラメータに適用可能である。