[論文レビュー] Convolutional autoencoders for spatially-informed ensemble post-processing

Sebastian Lerch, Kai Polsterer|arXiv (Cornell University)|Apr 8, 2022

Meteorological Phenomena and Simulations被引用数 5

ひとこと要約

本論文では、大規模な気象場からの空間的情報を含んだ潜在表現を抽出するために畳み込み自己符号化器（ConvAE）を用いる手法を提案する。得られた潜在表現は、2m温度予報のニューラルネットワークベースの後処理モデルへの追加入力として用いられ、補間処理による局所的予測子に依存する最先端モデルと比較して、ドイツを対象とした事例研究において66%の観測所で統計的に有意なCRPS低減を達成し、予報精度が向上する。

ABSTRACT

Ensemble weather predictions typically show systematic errors that have to be corrected via post-processing. Even state-of-the-art post-processing methods based on neural networks often solely rely on location-specific predictors that require an interpolation of the physical weather model's spatial forecast fields to the target locations. However, potentially useful predictability information contained in large-scale spatial structures within the input fields is potentially lost in this interpolation step. Therefore, we propose the use of convolutional autoencoders to learn compact representations of spatial input fields which can then be used to augment location-specific information as additional inputs to post-processing models. The benefits of including this spatial information is demonstrated in a case study of 2-m temperature forecasts at surface stations in Germany.

研究の動機と目的

• 数値予報（NWP）予報場を観測所位置に補間する過程で、大規模な空間的予測可能性の情報が失われる問題に対処すること。
• 2m温度、Z500、風場の空間的構造を後処理モデルに組み込むことで、確率的気象予報の精度を向上させること。
• ConvAEが学習した空間フィールドの潜在表現が、標準的な局所的予測子を超えて、ニューラルネットワークベースの後処理を向上させることを評価すること。
• 再構成品質と予報性能のバランスをとるための、潜在表現の最適次元数を特定すること。

提案手法

• 畳み込み自己符号化器（ConvAE）を、空間的予報フィールド（例：T2M、Z500、U850/V850）に適用し、空間情報を圧縮する低次元潜在表現（h次元）を学習する。
• ConvAEが学習した潜在コードを、深層回帰ネットワーク（DRN）後処理モデルへの追加入力特徴として用い、各観測所の予報分布（例：ガウス分布）のパラメータを予測する。
• DRN+ConvAEモデルは、連続ランク確率スコア（CRPS）を最小化することで、エンドツーエンドに学習され、各観測所ごとに局所適応型のモデル係数が設定される。
• 潜在表現の質を評価するため、主成分分析（PCA）による表現と比較し、深層学習ベースの圧縮が線形手法に比べてより有用な空間情報を保持しているかを検証する。
• モデルアーキテクチャは局所適応性を備えており、DRNが学習された重みを通じて、空間入力を局所に特化した方法で活用できる。
• アブレーションスタディでは、異なる入力変数（T2M、Z500、風）と潜在次元hの影響を評価し、統計的有意性はDiebold-Mariano検定を用いて検証する。

実験結果

リサーチクエスチョン

• RQ1 畳み込み自己符号化器は、NWP予報フィールドから、後処理性能を向上させる空間的情報を含む表現を効果的に抽出できるか？
• RQ2 ConvAEが学習した空間的表現を組み込むことで、補間処理による局所的予測子のみに依存するモデルと比較して、統計的に有意な予報精度の向上が達成できるか？
• RQ3 潜在空間の次元数（h）は、再構成品質と予報性能のトレードオフにどのように影響するか？
• RQ4 2m温度後処理において、T2MおよびZ500からの空間的表現は、風場からのものよりも有益であるか？
• RQ5 DRN+ConvAEモデルは、局所適応的に空間情報を活用できるか？これは特徴量の重要度分析によって裏付けられるか？

主な発見

• 空間的T2M入力を用いたDRN+ConvAEモデルは、537か所のドイツ気象観測所の96%で、ベースラインのDRNモデル比で平均して10%のCRPS改善を達成した。
• 統計的有意性検定（Diebold-Mariano）により、性能向上の66%が有意水準0.05で有意であると確認された。
• 大きな潜在次元数（h）はConvAEの再構成品質を向上させたが、逆に予報性能を低下させた。これは、表現の忠実性とモデルの有用性の間のトレードオフを示している。
• 風場（U850/V850）からの空間的入力は、ベースラインのDRNモデルよりも悪い予報性能を示し、ノイズや関係のないパターンを導入している可能性がある。
• 補足資料に示された特徴量の重要度分析により、DRN+ConvAEモデルが空間情報を効果的に学習して活用できていることが示された。
• PCAに基づく空間的入力と比較して、ConvAEの潜在表現は有意に優れた予報性能を示した。これは、非線形圧縮がより関連のある空間的構造を捉えていることを示している。