[論文レビュー] A review of radar-based nowcasting of precipitation and applicable machine learning techniques

Rachel Prudden, Samantha V. Adams+5 more|arXiv (Cornell University)|May 11, 2020

Meteorological Phenomena and Simulations参考文献 73被引用数 63

ひとこと要約

この論文は、非常に短期の降水予測のためのレーダーを基盤としたnowcasting手法を概観し、従来の移流/外挿アプローチと新興の機械学習技術をレビューし、MLと大気科学の洞察を統合する方法について論じる。

ABSTRACT

A 'nowcast' is a type of weather forecast which makes predictions in the very short term, typically less than two hours - a period in which traditional numerical weather prediction can be limited. This type of weather prediction has important applications for commercial aviation; public and outdoor events; and the construction industry, power utilities, and ground transportation services that conduct much of their work outdoors. Importantly, one of the key needs for nowcasting systems is in the provision of accurate warnings of adverse weather events, such as heavy rain and flooding, for the protection of life and property in such situations. Typical nowcasting approaches are based on simple extrapolation models applied to observations, primarily rainfall radar. In this paper we review existing techniques to radar-based nowcasting from environmental sciences, as well as the statistical approaches that are applicable from the field of machine learning. Nowcasting continues to be an important component of operational systems and we believe new advances are possible with new partnerships between the environmental science and machine learning communities.

研究の動機と目的

• 外挿と移送を用いたレーダーを基盤としたnowcastingの歴史的・現在の状況を説明する。
• nowcastingにおける不確実性を定量化する確率的・確率過程的手法を要約する。
• ラグランジアン持続性の前提を緩和する潜在能力を持つ機械学習アプローチについて議論する。
• 対流性nowcastingを改善するための大気科学とMLの統合ポイントを特定する。
• レーダーを用いた降水nowcastingの開かれた課題と今後の研究経路を強調する。

提案手法

• 従来のオイラーian/Lagrangian持続性および移流ベースのnowcastingモデル（光学フロー、半ラグランジュスキーム、セルベース手法）をレビューする。
• アドベクション場を推定し空間的一貫性を確保するための変分法および階層的手法を提示する。
• 不確実性を考慮するための確率的・確率過程的拡張（近傍法、スケール分解）を要約する。
• 診断とハイブリッド移流–NWPフレームワークを通じた対流発生予測戦略を論じる。
• 密な時空間予測のための機械学習アーキテクチャを調査する。時空間畳み込みおよび流れ・変形ベースのモデルを含む。
• 解釈可能性やぼやけた/極端な欠損予測の回避など、nowcastingへのML適用における課題に対処する。）

実験結果

リサーチクエスチョン

• RQ1 歴史的および現在において用いられてきた主要なレーダーを基盤としたnowcastingアプローチは何か。
• RQ2 確率的・確率過程的手法はnowcasting予測の不確実性をどのように定量化・管理できるか。
• RQ3 nowcastingにおける高密度時空間降水予測に有望な機械学習手法は何か。
• RQ4 MLを物理診断と統合して対流発生・進展予測を改善するにはどうすればよいか。
• RQ5 解釈可能性、レジーム変化、多重スケールダイナミクスといったMLをレーダーを基盤としたnowcastingに適用する際の主要な課題は何か。

主な発見

• 移流・外挿ベースのnowcastingは高分解能予測を提供する一方で、急速な進化と対流発生には苦戦する。
• 確率的・確率過程的拡張は、移流誤差とスケール依存的進化をモデル化することにより不確実性に対処する。
• 対流発展は、移流とCAPE/CIN、境界層の収束、および環境分析などの診断を組み合わせることで改善され得る。
• MLアプローチ（密な時空間予測、流れ、変形モデル）は有望を示すが、安定性・極端なイベント・解釈可能性の課題に直面している。
• レーダー外挿とNWP分析または環境診断を融合するハイブリッドフレームワークが最も有望な改善をもたらす。
• この分野は、多様なデータ源とドメイン知識を活用するために大気科学とMLのより緊密な協力を提唱している。