[論文レビュー] AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts

Zijian Zhu, Qiusheng Huang+3 more|arXiv (Cornell University)|Feb 25, 2026

Icing and De-icing Technologies被引用数 0

ひとこと要約

AviaSafeは6時間間隔で全球の4つの雲微物理種を予測する。物理情報を取り入れた階層型ニューラルネットワークがBaselineを上回り、ECMWFの一部指標に匹敵または上回る。

ABSTRACT

Current AI weather forecasting models predict conventional atmospheric variables but cannot distinguish between cloud microphysical species critical for aviation safety. We introduce AviaSafe, a hierarchical, physics-informed neural forecaster that produces global, six-hourly predictions of these four hydrometeor species for lead times up to 7 days. Our approach addresses the unique challenges of cloud prediction: extreme sparsity, discontinuous distributions, and complex microphysical interactions between species. We integrate the Icing Condition (IC) index from aviation meteorology as a physics-based constraint that identifies regions where supercooled water fuels explosive ice crystal growth. The model employs a hierarchical architecture that first predicts cloud spatial distribution through masked attention, then quantifies species concentrations within identified regions. Training on ERA5 reanalysis data, our model achieves lower RMSE for cloud species compared to baseline and outperforms operational numerical models on certain key variables at 7-day lead times. The ability to forecast individual cloud species enables new applications in aviation route optimization where distinguishing between ice and liquid water determines engine icing risk.

研究の動機と目的

• 全球・6時間間隔で最大7日間の雲微物理種4種（CIWC、CLWC、CRWC、CSWC）を予測する。
• 結晶条件（IC）指標を物理ベースの制約として組み込み、雲予測を指導する。
• 予測領域内で雲の存在と強度を分離する階層モデルを開発する。
• 基準的ディープラーニングモデルと比較して効率と精度を向上させ、ECMWF HRESと背景変数で比較する。

提案手法

• ERA5再分析データを9変数・13圧力レベル（117チャネル）+ 背景場として入力に使用する。
• 回帰用のスウィンTransformersブロックを備えたForecasting Backboneと、未来の雲マスク(Mask_{t+1})を出力するPhysics-Informed Guidance Headの2分岐アーキテクチャを採用する。
• マスク指導は診断的雲マスクとICベースの潜在マスクを形成し、 backbone特徴と融合して雲予測を精練する。
• 圧力レベル全体で水分率f_Qと温度要因 f_T のパラメーターフリー積からICを計算し、高い着氷可能性領域を特定する。
• 学習は複合損失関数を用い、緯度重み付きCharbonnier L1予測損失と、マスク指導の補助損失（lambda=1）のFocal Lossを組み合わせる。
• 評価はECMWF HRESとFuXi風 Baselineに対して行い、7日間水平で500 hPa変数のRMSEとACCを用いて比較する。

実験結果

リサーチクエスチョン

• RQ1 物理情報を含む階層的なニューラル予報モデルは、航空運用に有用なリードタイムで種別解決の雲予測を全球規模で提供できるか？
• RQ2 IC指標を物理ベースの制約として組み込むと、雲相予測の物理的一貫性とスキルは向上するか？
• RQ3 AviaSafeは7日間にわたり雲微物理と背景変数を予測する点で、最先端のNWPおよびデータ駆動ベースラインと比較してどうか？
• RQ4 マスク指導付き階層構造の貢献は、航空運用に関する雲予測の性能と解釈性にどのように影響するか？

主な発見

Model	CIWC50	CLWC100	CRWC250	CSWC600	U500	V500	Z500	T600	Q600
Baseline	1.059	1.318	1.010	4.359	2.857	2.903	139.52	0.898	6.908
w/o (MP, IC)	1.012	0.892	0.889	4.346	2.857	2.899	138.95	0.900	6.899
w/o IC	1.053	0.968	0.961	4.341	2.832	2.874	137.23	0.890	6.886
AviaSafe Model (Ours)	0.956	0.875	0.863	4.340	2.826	2.871	135.81	0.889	6.855

• AviaSafeは評価対象の変数–リードタイムペアの93.7%でベースラインを上回る。
• 雲微物理に関して、CIWC、CLWC、CRWC/CSWCで複数のレベルとリードでベースラインを大幅に上回る。
• ECMWF HRESと比較して、7日間で複数の背景変数のRMSEを低減し、ACCは同等または改善。
• CIWC予測は長距離での優位性を示し、日を追うごとに一貫した改善が日7日以降まで拡大。
• アブレーション研究により、物理情報を含みマスク指導を組み込んだ全体モデルが雲および背景変数の総合性能で最良を示す。
• CNOPベースの解釈性分析は、モデルの感度を既知のシノプティックパターン・熱力学と整合させ、物理的に整合した予測を支持する。