[論文レビュー] A Deep-learning Real-time Bias Correction Method for Significant Wave Height Forecasts in the Western North Pacific

Wei Zhang, Yu Sun+6 more|arXiv (Cornell University)|Nov 25, 2023

Hydrological Forecasting Using AI参考文献 42被引用数 5

ひとこと要約

本研究では、西北太平洋全域におけるECMWF-IFSの波高（SWH）予測値をリアルタイムで補正する、トラジェクトリーガイトドリカレントユニットに基づく時空間的ディープラーニングモデルを提案する。本手法は、波場と風場の両方の入力を用い、新規のピクセルスイッチ損失関数を導入することで、春期には最大46.237%、冬期には最大38.953%の平均絶対誤差の低減を達成し、季節や天候状況を問わず高い頑健性を示す。

ABSTRACT

Significant wave height is one of the most important parameters characterizing ocean waves, and accurate numerical ocean wave forecasting is crucial for coastal protection and shipping. However, due to the randomness and nonlinearity of the wind fields that generate ocean waves and the complex interaction between wave and wind fields, current forecasts of numerical ocean waves have biases. In this study, a spatiotemporal deep-learning method was employed to correct gridded SWH forecasts from the ECMWF-IFS. This method was built on the trajectory gated recurrent unit deep neural network,and it conducts real-time rolling correction for the 0-240h SWH forecasts from ECMWF-IFS. The correction model is co-driven by wave and wind fields, providing better results than those based on wave fields alone. A novel pixel-switch loss function was developed. The pixel-switch loss function can dynamically fine-tune the pre-trained correction model, focusing on pixels with large biases in SWH forecasts. According to the seasonal characteristics of SWH, four correction models were constructed separately, for spring, summer, autumn, and winter. The experimental results show that, compared with the original ECMWF SWH predictions, the correction was most effective in spring, when the mean absolute error decreased by 12.972~46.237%. Although winter had the worst performance, the mean absolute error decreased by 13.794~38.953%. The corrected results improved the original ECMWF SWH forecasts under both normal and extreme weather conditions, indicating that our SWH correction model is robust and generalizable.

研究の動機と目的

• 非線形的風場および波-風相互作用に起因する、数値的波高（SWH）予測値に生じる持続的バイアスを是正すること。
• 西北太平洋地域におけるECMWF-IFSのグリッド型SWH予測値をリアルタイムで補正する、時空間的ディープラーニングモデルの開発。
• データ駆動型バイアス補正により、通常時および極端な天候条件下でも予測精度の向上を図ること。
• 春、夏、秋、冬の各季節に特化した補正モデルを構築することで、モデルの一般化性能を向上させること。

提案手法

• 時空間的依存性を捉えるために、トラジェクトリーガイトドリカレントユニット（tGRU）を用いたディープニューラルネットワークを採用する。
• 補正モデルは波場と風場の両方の入力によって駆動され、波場のみのモデルに比べて性能が向上する。
• 予測バイアスが大きいピクセルに焦点を当てるために、動的学習を可能にする新規のピクセルスイッチ損失関数を導入する。
• 波の気候と予測誤差パターンの季節的変動を反映させるために、4つの別個の補正モデルをそれぞれの季節に訓練する。
• 0～240時間の予測に対してリアルタイムでのローリング補正を実行し、運用への導入を可能にする。
• 予め訓練されたモデルを、ピクセルスイッチ損失関数を用いて微調整することで、変化するバイアス分布に適応させる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、西北太平洋全域におけるECMWF-IFSの波高（SWH）予測値の系統的バイアスを効果的に低減できるか？
• RQ2 波場に加えて風場を組み込むことで、波場のみのモデルと比較してSWHバイアス補正の精度がどのように向上するか？
• RQ3 ピクセルスイッチ損失関数は、バイアスが大きい予測ピクセルにおける補正性能をどの程度向上させるか？
• RQ4 波の気候の季節的変動は、補正モデルの一般化性能と性能にどのように影響を与えるか？
• RQ5 本手法は、通常時だけでなく極端な天候条件下でも頑健性を示すのか？

主な発見

• 補正モデルは、バイアス補正が最も効果的だった春期において、平均絶対誤差を12.972%～46.237%まで低減した。
• 最も性能が低かった冬期においても、平均絶対誤差は13.794%～38.953%まで低減された。
• 本モデルは、通常時および極端な天候条件下でも、頑健性と一般化性能を示した。
• 風場をモデルに組み込むことで、波場のみのベースラインに比べて補正精度が向上した。
• ピクセルスイッチ損失関数は、バイアスが大きい予測ピクセルに的確に焦点を当て、誤差低減を実現し、モデルの精度を向上させた。
• 季節別に最適化されたモデルは、単一の汎用モデルを上回る性能を示し、バイアス補正における季節的適応の重要性を裏付けた。