[論文レビュー] A Machine Learning Outlook: Post-processing of Global Medium-range Forecasts

Shreya Agrawal, Robert W. Carver+8 more|arXiv (Cornell University)|Mar 28, 2023

Meteorological Phenomena and Simulations被引用数 8

ひとこと要約

この論文は、グローバル中期予報の非線形ニューラルネットワーク後処理（ML-PP）を調査し、173の気象特徴量を全球で用いて最大7日先までの予報精度を向上させ、いくつかの変数でRMSEが最大約14%改善される。

ABSTRACT

Post-processing typically takes the outputs of a Numerical Weather Prediction (NWP) model and applies linear statistical techniques to produce improve localized forecasts, by including additional observations, or determining systematic errors at a finer scale. In this pilot study, we investigate the benefits and challenges of using non-linear neural network (NN) based methods to post-process multiple weather features -- temperature, moisture, wind, geopotential height, precipitable water -- at 30 vertical levels, globally and at lead times up to 7 days. We show that we can achieve accuracy improvements of up to 12% (RMSE) in a field such as temperature at 850hPa for a 7 day forecast. However, we recognize the need to strengthen foundational work on objectively measuring a sharp and correct forecast. We discuss the challenges of using standard metrics such as root mean squared error (RMSE) or anomaly correlation coefficient (ACC) as we move from linear statistical models to more complex non-linear machine learning approaches for post-processing global weather forecasts.

研究の動機と目的

• 非線形ニューラルネットワークが従来の線形MOS/EMOS法よりグローバルNWP出力の後処理を改善できるかを評価する。
• 173の気象特徴量を個別ではなく jointly 後処理することで依存関係を学習する。
• ベースライン手法と比較した性能を評価し、気象学におけるMLベース後処理の適切な評価指標を分析する。

提案手法

• GFS予報を後処理し（6時間先行きから7日まで）t+6でGDAS分析とより良く一致させる。
• 予測誤差 e_{t+6}=GFS_t^6 - GDAS_{t+6} を、入力として GFS_t^6, GDAS_t, 太陽位置, 衰減重み付きバイアス項 B_N を用いて予測する。
• メモリ制約を満たすように全球場を0.25 x 0.25度に投影し、256x256グリッドにタイル化する。
• シンプルな点ごとのネットワーク（576Kパラメータ）とUNet風モデルを比較し、性能が同等であるためML-PPの方をより単純なモデルとして採用する。
• 訓練スキームを試す：単一グローバルモデル、緯度加重損失、3地域（北方極域、熱帯地帯、南方極域）モデル；3地域訓練が最も良いと結論。
• 損失関数（MSE、MAE、Log Cosh、コサイン類似度、Fractions Skill Score）を探索し、全体として有意な性能差は報告されない。

Figure 1 : RMSE of different weather variables at 500hPa and 850hPa.

実験結果

リサーチクエスチョン

• RQ1 非線形ML後処理はグローバルで多変量のNWP後処理において従来の線形MOS/EMOSアプローチを上回ることができるか？
• RQ2 173の気象特徴量全体での共同学習は、変数間の依存関係を捉え予報を改善するか？
• RQ3 グローバル対地域別のどの訓練戦略と損失関数がMLベース後処理のグローバル性能を最も高めるか？
• RQ4 ML後処理予報はRMSEとACCの両方で、7日先までのリードでベースラインと比較してどうか？
• RQ5 ML後処理における予測のシャープネスと空間構造を最もよく反映する指標は何か？

主な発見

• ML後処理は850 hPaの風成分で約14%前後、さまざまな高度・層で温度と水蒸気量に対して約12%のRMSE改善を達成。
• 500 hPaでの等高線高度のRMSEが約7.6%改善、その他の地表変数で7日予報で約12–13%の改善を観測。
• 3地域訓練（北方東帯域、熱帯帯、南方東帯域）が最も良く、地域ごとの誤差特性の違いに対処。
• 統計的有意性はRMSEとACCの一部の利得を示唆する；地衡高度はML-PPによるACC改善を示さず、他の変数は modestなACC利益を示す。
• 本研究はRMSE/ACCといった従来の指標が現実的な視覚シャープネスやリードの空間構造を完全には捉えない可能性を示唆し、シ synoptic変動を preserve する新しい損失/指標設計を求めることを提案。

Figure 2 : Skill card with color-coding to indicate statistical significance for 7 day post-processing at different vertical levels. White blanks mean data at those levels was not available in GFS. Top: MSE for variables at multiple vertical levels, bottom-left: MSE for surface variables, bottom-rig