[論文レビュー] Deep learning for improved global precipitation in numerical weather prediction systems

Manmeet Singh, Bipin Kumar+5 more|arXiv (Cornell University)|Jun 20, 2021

Meteorological Phenomena and Simulations参考文献 28被引用数 21

ひとこと要約

本論文では、数値 wea ther予測におけるグローバルな降水量予測を改善するため、残差U-Netアーキテクチャを用いたディープラーニングベースのアプローチを提案する。立方体球面グリッドに投影された再解析データで訓練されたモデルは、インド気象研究所が運用するモデルと比較して、グリッドポイントおよび領域平均の相関スキルが2倍に向上し、気象システムにおける物理的プロセスの表現を向上させうることを示している。

ABSTRACT

The formation of precipitation in state-of-the-art weather and climate models is an important process. The understanding of its relationship with other variables can lead to endless benefits, particularly for the world's monsoon regions dependent on rainfall as a support for livelihood. Various factors play a crucial role in the formation of rainfall, and those physical processes are leading to significant biases in the operational weather forecasts. We use the UNET architecture of a deep convolutional neural network with residual learning as a proof of concept to learn global data-driven models of precipitation. The models are trained on reanalysis datasets projected on the cubed-sphere projection to minimize errors due to spherical distortion. The results are compared with the operational dynamical model used by the India Meteorological Department. The theoretical deep learning-based model shows doubling of the grid point, as well as area averaged skill measured in Pearson correlation coefficients relative to operational system. This study is a proof-of-concept showing that residual learning-based UNET can unravel physical relationships to target precipitation, and those physical constraints can be used in the dynamical operational models towards improved precipitation forecasts. Our results pave the way for the development of online, hybrid models in the future.

研究の動機と目的

• 数値気象予測システムにおけるグローバル降水量予測の継続的バイアスを是正すること。
• ディープラーニングが降水量形成の複雑な物理的関係をモデル化できるかを検討すること。
• 予測精度を向上させるため、データ駆動型で物理的にインフォームされたモデルをモンスーン影響地域に開発すること。
• 学習された物理的制約を運用動的モデルに統合する可能性を実証すること。
• 将来的なオンラインハイブリッド気象予測システムの基盤を築くこと。

提案手法

• 大気変数からのグローバル降水量をモデル化するために、残差学習を組み込んだU-Net畳み込みニューラルネットワークが用いられる。
• グローバルモデリングにおける球面歪みを低減するため、データが立方体球面グリッドに投影される。
• モデルは、グローバル大気状態および観測された降水量をカバーする再解析データセットで訓練される。
• モデルの性能は、グリッドポイントおよび領域平均レベルでのピアソン相関係数を用いて評価される。
• 訓練されたディープラーニングモデルは、インド気象研究所が運用する動的モデルと比較される。
• アーキテクチャにより、降水量形成における空間的および時間的依存関係のエンドツーエンド学習が可能となる。

実験結果

リサーチクエスチョン

• RQ1 再解析データで訓練されたディープラーニングモデルは、運用動的モデルと比較してグローバル降水量予測の精度を向上させることができるか？
• RQ2 残差学習を組み込んだU-Netは、降水量形成を支配する物理的関係をどの程度捉えることができるか？
• RQ3 立方体球面投影の使用が、グローバル降水量モデリングにおけるモデル性能にどのように影響するか？
• RQ4 ディープラーニングモデルのスキル向上は、運用システムと比較して相関係数の観点からどの程度か？
• RQ5 データから学習された物理的関係を、従来の数値気象予測システムに活用して向上させることは可能か？

主な発見

• ディープラーニングモデルは、運用動的モデルと比較してグリッドポイント相関スキルを2倍に向上させた。
• 提案モデルの領域平均相関スキルも、運用システムと比較して2倍に向上した。
• モデルは、グローバル降水量の空間的および時間的パターンを著しく改善して捉えることができた。
• U-Netアーキテクチャにおける残差学習の使用は、特徴量の学習およびモデルの安定性を向上させた。
• 結果から、データ駆動型のディープラーニングモデルが、降水量形成における複雑な物理的プロセスを効果的に学習・表現できることを示している。
• 本研究は、将来的なハイブリッド数値-機械学習気象予測システムへの学習済み物理的制約の統合の概念的実証を確立した。