[論文レビュー] Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks

Rüdiger Brecht, Alex Bihlo|arXiv (Cornell University)|May 18, 2022

Meteorological Phenomena and Simulations参考文献 32被引用数 34

ひとこと要約

本稿では、1つの決定論的500 hPaジオポテンシャル高度予報から直接、アンサンブル分散を予測するために条件付き生成対抗ネットワーク（cGAN）の使用を提案する。この手法は、pix2pixアーキテクチャを3次元空間時間データに適応させ、コストの高いアンサンブル計算を回避する。モデル平均を用いることで、気候的および恒常的ベースラインよりも顕著に低いRMSEと高いSSIMを達成し、精度が向上する。

ABSTRACT

Ensemble prediction systems are an invaluable tool for weather forecasting. Practically, ensemble predictions are obtained by running several perturbations of the deterministic control forecast. However, ensemble prediction is associated with a high computational cost and often involves statistical post-processing steps to improve its quality. Here we propose to use deep-learning-based algorithms to learn the statistical properties of an ensemble prediction system, the ensemble spread, given only the deterministic control forecast. Thus, once trained, the costly ensemble prediction system will not be needed anymore to obtain future ensemble forecasts, and the statistical properties of the ensemble can be derived from a single deterministic forecast. We adapt the classical pix2pix architecture to a three-dimensional model and also experiment with a shared latent space encoder-decoder model, and train them against several years of operational (ensemble) weather forecasts for the 500 hPa geopotential height. The results demonstrate that the trained models indeed allow obtaining a highly accurate ensemble spread from the control forecast only.

研究の動機と目的

• 複数回のNWP走行を必要としない1つの決定論的予報に置き換えることで、アンサンブル天気予報の計算コストを削減すること。
• 深層学習を用いて決定論的コントロール走行からアンサンブル予報の統計的分散を直接学習すること。
• 完全なアンサンブルシステムを走行せずに、正確で高解像度のアンサンブル分散推定を生成することで、予報の不確実性評価を向上させること。
• 限られた運用アンサンブルデータから、深層学習が大気の変動性および分散パターンを効果的に捉えられるかどうかを検証すること。
• 運用気象学における従来のアンサンブル予測システムの代わりにcGANがどのように機能するかを検討すること。

提案手法

• 2次元のpix2pix条件付きGANアーキテクチャを、決定論的予報からアンサンブル分散へのペアドビデオ間変換を目的とした3次元空間時間データに適応する。
• 2010年から2020年までの10年間の運用ECMWF IFSデータ（0.5°解像度）を用いて、500 hPaジオポテンシャル高度を入力とし、アンサンブル分散を出力として3D pix2pix3Dモデルを学習する。
• 性能比較と一般化の向上を目的として、共有潜在空間エンコーダ・デコーダアーキテクチャを備えた補助モデルを実装する。
• 複数の独立して訓練されたネットワークのモデル平均とモンテカルロドロップアウトを適用し、頑健性を向上させ、振動的挙動を低減する。
• 空間的および時間的整合性を保証するため、U-Netベースの生成器と3D PatchGAN識別器を用いた条件付きGANフレームワークを採用する。
• 生成されたアンサンブル分散の忠実性と現実性のバランスを図るため、敵対的損失、L1損失、および周波数的類似性（SSIM）を最適化に用いる。

実験結果

リサーチクエスチョン

• RQ1 決定論的予報のみで学習した深層学習モデルが、運用アンサンブルシステムの統計的分散を正確に再構築できるか？
• RQ2 3次元条件付きGANの性能は、気候的および恒常的ベースラインと比較して、アンサンブル分散予測においてどのように異なるか？
• RQ3 モデル平均やモンテカルロドロップアウトは、予測されたアンサンブル分散の信頼性と精度を向上させるか？
• RQ4 モデルが真の気象変動性、特に運用システムでしばしば分散が不足している点をどの程度正しく捉えられるか？
• RQ5 1つの決定論的予報から、複数回のシミュレーションを走行せずに、運用基準に適合する現実的で高解像度のアンサンブル分散を生成できるか？

主な発見

• 3D pix2pix3Dモデルは、テストセットでRMSE 39.850、平均SSIM 0.789を達成し、気候的ベースライン（RMSE: 51.747、SSIM: 0.722）および恒常的ベースライン（RMSE: 53.184、SSIM: 0.700）を顕著に上回った。
• 複数の独立して訓練されたネットワークのモデル平均により、RMSEは35.075に低下し、SSIMは0.831に上昇し、より高い頑健性と振動的挙動の低減が確認された。
• モンテカルロドロップアウトの適用によりさらに性能が向上し、RMSE 38.773、SSIM 0.807を達成し、不確実性評価の質が向上した。
• 予測されたアンサンブル分散は真値よりもわずかに大きかったため、実際の気象変動性をよりよく捉えられる可能性があることが示唆された。これは、運用システムでしばしば真の分散が低く見積もられる傾向があることと整合的である。
• オスロ、シアトル、ケープタウンの都市を対象とした可視化比較により、特に予報後期において、pix2pix3Dモデルがベースラインよりも現実的で動的整合性のある分散パターンを生成していることが確認された。
• 結果から、深層学習ベースのモデルが、決定論的予報からのみ複雑な時空間的統計的依存関係を効果的に学習できることを示している。