[論文レビュー] Data Assimilation by Artificial Neural Networks for an Atmospheric General Circulation Model: Conventional Observation

Rosângela Cintra, Haroldo Fraga de Campos Velho|arXiv (Cornell University)|Jul 16, 2014

Meteorological Phenomena and Simulations参考文献 20被引用数 7

ひとこと要約

本論文では、SPEEDY大気一般循環モデルにおけるデータ同化のため、多層パーセプトロン型人工ニューラルネットワーク（MLP-NN）を用いて局所集合変換カルマンフィルタ（LETKF）をエミュレートすることを提案する。合成観測データで訓練されたMLP-NNは、LETKFと同等の分析精度を達成するとともに、計算時間を90倍に短縮し、運用気象予報システムにおける極めて効率的な代替手法であることを示している。

ABSTRACT

This paper presents an approach for employing artificial neural networks (NN) to emulate an ensemble Kalman filter (EnKF) as a method of data assimilation. The assimilation methods are tested in the Simplified Parameterizations PrimitivE-Equation Dynamics (SPEEDY) model, an atmospheric general circulation model (AGCM), using synthetic observational data simulating localization of balloon soundings. For the data assimilation scheme, the supervised NN, the multilayer perceptrons (MLP-NN), is applied. The MLP-NN are able to emulate the analysis from the local ensemble transform Kalman filter (LETKF). After the training process, the method using the MLP-NN is seen as a function of data assimilation. The NN were trained with data from first three months of 1982, 1983, and 1984. A hind-casting experiment for the 1985 data assimilation cycle using MLP-NN were performed with synthetic observations for January 1985. The numerical results demonstrate the effectiveness of the NN technique for atmospheric data assimilation. The results of the NN analyses are very close to the results from the LETKF analyses, the differences of the monthly average of absolute temperature analyses is of order 0.02. The simulations show that the major advantage of using the MLP-NN is better computational performance, since the analyses have similar quality. The CPU-time cycle assimilation with MLP-NN is 90 times faster than cycle assimilation with LETKF for the numerical experiment.

研究の動機と目的

• 大気モデルにおけるアンサンブルベースのデータ同化手法（例：LETKF）の計算コストを低減する代替手法を開発すること。
• 訓練済みの人工ニューラルネットワークが、大気状態推定のためのLETKFの分析出力を正確にエミュレートできるかどうかを評価すること。
• 大規模な数値気象予報モデルにおける従来のデータ同化の高い計算コストを低減すること。
• 非線形力学的システムにおける複雑なカルマンフィルタアルゴリズムの代わりに、教師ありニューラルネットワークを補助手法として使用する可能性を検討すること。
• グローバル大気モデルにおける運用用途に適した、高速かつスケーラブルなデータ同化を可能にすること。

提案手法

• 歴史的なモデル予報と合成観測データを用いて、MLP-NNを訓練し、LETKFデータ同化プロセスをエミュレートする。
• 訓練データセットは、SPEEDY AGCMの1982–1984年間の3か月分のデータから構成され、入力ベクトルはモデル予報（x^f）と観測値（y^o）を組み合わせたものである。
• ネットワークは、入力（x^f, y^o）から分析場（x^a）へのマッピングを学習し、実質的に全データ同化関数F_NNを学習する。
• 訓練後、MLP-NNは反復的フィルタリングステップを経ることなく、新しい予報と観測値を処理することでリアルタイムでのデータ同化を実行する。
• バックプロパゲーションを用いた教師あり学習アプローチにより、MLP-NNの出力とLETKFの分析場との差を最小化するように訓練する。
• 性能評価は、1985年1月のハインドキャスト実験において、合成観測を用いてMLP-NNとLETKFの分析結果を比較することで実施する。

実験結果

リサーチクエスチョン

• RQ1 フィードフォワード型ニューラルネットワークは、非線形的大気一般循環モデルにおいて、LETKFの分析出力を正確にエミュレートできるか？
• RQ2 データ同化サイクルにおける実行時間の観点から、MLP-NNとLETKFの計算パフォーマンスはどのように比較されるか？
• RQ3 MLP-NNが生成する分析場は、LETKFの分析場とどの程度一致しているか（精度および空間的構造の観点から）？
• RQ4 リアルタイムのデータ同化環境において、MLP-NNは著しい計算コストの削減を実現しながらも高い精度を維持できるか？
• RQ5 運用気象予報システムに応用した場合、MLP-NNアプローチのスケーラビリティおよび一般化可能性はどの程度か？

主な発見

• MLP-NNの分析場はLETKFのそれと非常に近く、月平均の絶対温度差は約10^-2 Kのオーダーである。
• 全同化サイクルにおけるMLP-NNのLETKFに対する計算スピードアップは、112サイクルの合計実行時間に基づき90倍にのぼる。
• 分析フェーズのみに注目すると、MLP-NNはLETKFの421倍速く、同化のコアステップにおけるその効率性が顕著に示されている。
• MLP-NNとLETKFの分析における地表面気圧差は±5 hPaの範囲内に収まっており、気象場において強い一致を示している。
• MLP-NNはLETKFアルゴリズムの複雑なマッピングを効果的に学習し、著しく低い計算コストで同等品質の分析を生成した。
• 結果から、MLP-NNはアンサンブルベースのデータ同化のための効果的かつ高性能な補助手法として機能できることを確認した。