[論文レビュー] A modular framework for extreme weather generation

Bianca Zadrozny, Campbell Watson+5 more|arXiv (Cornell University)|Feb 5, 2021

Flood Risk Assessment and Management参考文献 17被引用数 7

ひとこと要約

本論文は、気象生成タスクを相互交換可能なコンponentに分離することで、現実的な極端な気象シナリオを生成するモジュラーで機械学習に基づくフレームワークを提案する。条件付きGANは、最新の確率的気象生成モデルと同等の性能を示し、日常的な気象条件ではGANにわずかな優位性を示すが、極端な出来事象については、実際の歴史的データからのリサンプリングに依存する従来の生成モデルがGANを上回ることがわかった。

ABSTRACT

Extreme weather events have an enormous impact on society and are expected to become more frequent and severe with climate change. In this context, resilience planning becomes crucial for risk mitigation and coping with these extreme events. Machine learning techniques can play a critical role in resilience planning through the generation of realistic extreme weather event scenarios that can be used to evaluate possible mitigation actions. This paper proposes a modular framework that relies on interchangeable components to produce extreme weather event scenarios. We discuss possible alternatives for each of the components and show initial results comparing two approaches on the task of generating precipitation scenarios.

研究の動機と目的

• 気候変動下における従来の確率的気象生成モデルが極端な気象現象を現実的にシミュレートする能力に限界があることに対処すること。
• 最先端の機械学習技術を統合できる柔軟でモジュラーなフレームワークを構築すること。
• 特にGANを含む深層生成モデルの性能を、確立された確率的気象生成モデルと比較し、現実的な降水量時系列の生成能力を評価すること。
• 季節予報を制御変数として用いることで、気候レジリエンス計画の向上を図る条件付き気象シナリオ生成を可能にすること。
• 将来の作業において、異なる機械学習モデルや多次元グリッド化された気象データを扱える可能性を検討すること。

提案手法

• フレームワークは、極端な気象生成を、データ入力、極端な出来事象の検出、季節予報からの条件付け、機械学習モデルによる気象生成というモジュラーなコンponentに分解する。
• 異なる機械学習および統計モデルを各コンponentで相互に交換可能にする、モデルに依存しないアーキテクチャを採用する。
• 条件付きGANを用いて日次降水量系列を生成し、極端な降水量イベント（95百分位数以上、18.2 mm/日以上）を伴う月と伴わない月のそれぞれで別々のモデルを訓練する。
• 比較のためのベースラインとして、確率的気象生成モデル（weathergen）を用いる。このモデルは、発生確率に3状態マルコフ連鎖、強度にKNNベースのリサンプリング、年間補正にARIMAを用いる。
• 将来の気候プロジェクションと整合性を保つために、季節予報の共変量を用いて生成を条件づける。
• 評価には、各条件（極端な月と通常の月）で100シナリオずつ生成し、その降水量分布を歴史的データと比較するQQプロットを用いる。

実験結果

リサーチクエスチョン

• RQ1 モジュラーで機械学習に基づくフレームワークは、歴史的データと将来の気候プロジェクションと整合性を持つ現実的な極端な気象シナリオを効果的に生成できるか？
• RQ2 条件付きGANは、特に極端な出来事象を含む日次降水量時系列をシミュレートする際、最新の確率的気象生成モデルと比較してどの程度優れているか？
• RQ3 GANのような深層生成モデルは、歴史的データからのリサンプリングに依存せずに、極端な降水量イベントの統計的性質をどの程度正確に捉えることができるか？
• RQ4 フレームワークは、季節予報データを制御変数として組み込むことで、将来に関連する気象シナリオの生成をどの程度うまく行えるか？
• RQ5 モジュラー設計は、将来の作業において、さまざまな機械学習モデルや多次元グリッド化された気象データを扱うスケーラブルな実験を可能にするか？

主な発見

• QQプロットにより、GANが歴史的分布と非常に近い日次降水量系列を生成したことが示され、生成された系列の現実性が強く裏付けられた。
• 通常の月においては、GANが歴史的降水量分布の再現性において、weathergenの確率的モデルをわずかに上回った。
• 極端な降水量イベントを伴う月においては、weathergenモデルがGANを上回った。これは、実際の歴史的極端値からのリサンプリングに依存しているためと考えられる。
• モジュラーなフレームワークにより、機械学習ベースと従来の統計的気象生成モデルを、同一の実験条件下で直接比較可能となった。
• 条件付きGANは、将来的に2次元グリッドデータや複数の制御変数を扱う際に強く有望な可能性を示しており、気候レジリエンス応用における柔軟性を提供する。
• フレームワークのモジュラリティにより、すべてのコンponentに高度な機械学習技術を統合できるようになり、スケーラブルで条件付きの極端な気象シナリオ生成への道が開けた。