[論文レビュー] A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts

Lucy Harris, Andrew T. T. McRae+3 more|arXiv (Cornell University)|Apr 5, 2022

Meteorological Phenomena and Simulations被引用数 13

ひとこと要約

本論文は、GANとVAE-GANを用いた生成的深層学習フレームワークを提案し、UKにおける低分解能の全球気象予報降水データを、高分解能のレーダ観測データを真値として、10倍に確率的ダウンスケーリングする。この手法は、空間的に整合性があり、統計的に正確な降水アンサンブルを生成し、ピクセル単位および集約CRPSスコア、パワースペクトルの忠実度、キャリブレーションの観点で、最先端のポイントワイズダウンスケーリング手法を上回る性能を示す。

ABSTRACT

Despite continuous improvements, precipitation forecasts are still not as accurate and reliable as those of other meteorological variables. A major contributing factor to this is that several key processes affecting precipitation distribution and intensity occur below the resolved scale of global weather models. Generative adversarial networks (GANs) have been demonstrated by the computer vision community to be successful at super-resolution problems, i.e., learning to add fine-scale structure to coarse images. Leinonen et al. (2020) previously applied a GAN to produce ensembles of reconstructed high-resolution atmospheric fields, given coarsened input data. In this paper, we demonstrate this approach can be extended to the more challenging problem of increasing the accuracy and resolution of comparatively low-resolution input from a weather forecasting model, using high-resolution radar measurements as a "ground truth". The neural network must learn to add resolution and structure whilst accounting for non-negligible forecast error. We show that GANs and VAE-GANs can match the statistical properties of state-of-the-art pointwise post-processing methods whilst creating high-resolution, spatially coherent precipitation maps. Our model compares favourably to the best existing downscaling methods in both pixel-wise and pooled CRPS scores, power spectrum information and rank histograms (used to assess calibration). We test our models and show that they perform in a range of scenarios, including heavy rainfall.

研究の動機と目的

• グローバル気象モデルの降水予報の空間分解能と精度を向上させること。現行の粗いグリッド間隔（10–80 km）と小スケールプロセスの不十分な表現による制限を克服する。
• 予報の不確実性を反映し、観測された統計的性質と一致する空間的に整合性のある高分解能降水アンサンブルを生成すること。
• 特に極端な降雨イベントにおいて顕著なモデル誤差により予報データと真値データがずれている状況におけるダウンスケーリングの課題に対処すること。
• 生成的対抗ネットワーク（GAN）が、分解能とキャリブレーションの両面で、従来のポイントワイズ後処理手法を上回ることを示すこと。
• 特に地形が複雑で海岸効果が顕著な地域における、極端な降雨の影響予測の信頼性を高めること。

提案手法

• 条件付き生成的対抗ネットワーク（cGAN）を用い、ECMWF IFSの粗い分解能予報場を、NIMRODレーダ観測データを真値として、高分解能降水場にマッピングする。
• モデルは、U-Netベースの生成器とPatchGAN識別器を採用し、細かいスケールの空間的構造を学習するとともに、大スケールの気象的特徴を保持する。
• 潜在空間の正則化を向上させ、サンプルの多様性とキャリブレーションを強化するために、VAE-GANの変種が用いられる。
• 空間的リアリズムを高めるために、静的フィールド（例：標高、陸上・海水マップ）を追加の入力チャネルとして統合する。
• 損失関数には、対抗損失、ペルセプチュアル損失（VGGベース）、およびL1/L2再構成損失を組み合わせ、忠実度とリアリズムのバランスをとる。
• アンサンブル予報は、異なるノイズベクトルを用いて訓練済みの生成器からサンプリングすることで得られ、高分解能降水場の確率的実現を生成する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのアプローチは、空間的整合性を保ちつつ、低分解能のグローバル気象モデルの降水予報を10倍に高分解能にダウンスケーリングするのに効果的か？
• RQ2 CRPS、パワースペクトル、キャリブレーションの観点で、GANベースのダウンスケーリング手法は、最先端のポイントワイズ後処理技術と比較してどの程度優れているか？
• RQ3 IFSモデルとNIMRODレーダ観測データの間の予報誤差が、モデルの性能にどの程度影響を与え、それを軽減できるか？
• RQ4 極端な降雨イベントにおいて、従来のダウンスケーリング手法が最も困難であるにもかかわらず、モデルは信頼性があり、適切にキャリブレートされたアンサンブルを生成できるか？
• RQ5 標準GANと比較して、VAE-GANアーキテクチャの導入により、サンプルの多様性とキャリブレーションが向上するか？

主な発見

• GANおよびVAE-GANモデルは、最良のポイントワイズダウンスケーリング手法（ecPoint）よりも低い集約CRPS（0.0856 mm/hr）とピクセル単位CRPSを達成し、予報精度が優れていることを示している。
• モデルは、観測値と類似したパワースペクトル特性の降水地図を生成し、スペクトル忠実度においてecPointを上回っている。
• ランクヒストグラムは、GANベースのアンサンブルが、極端なイベントに対しても適切にキャリブレートされており、顕著なキャリブレーション誤差がないことを示している。
• CRPSおよびキャリブレーション指標の両面で、ecPointを上回る性能を示しており、生成モデルが従来の統計的後処理を凌駕できることを実証している。
• 予報誤差が存在しないNIMRODからNIMRODへのマッピングで訓練した場合、CRPSは著しく0.0230 mm/hrに低下し、予報モデルと真値のずれが主な性能ボトルネックであることが示された。
• 本手法は、豪雨イベントを含む多様なシナリオにおいて、現実的で空間的に整合性のある高分解能降水場を効果的に生成できた。