[論文レビュー] DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling

Wenyuan Li, Zili Liu+5 more|arXiv (Cornell University)|Jan 4, 2024

Meteorological Phenomena and Simulations被引用数 7

ひとこと要約

DeepPhysiNet は物理ネットワークとハイパーネットワークを介して大気物理学と深層学習を統合し、連続解像度の気象モデリングを実現します。これによりダウンスケーリング、バイアス補正、予測を実現します。

ABSTRACT

Accurate weather forecasting holds significant importance to human activities. Currently, there are two paradigms for weather forecasting: Numerical Weather Prediction (NWP) and Deep Learning-based Prediction (DLP). NWP utilizes atmospheric physics for weather modeling but suffers from poor data utilization and high computational costs, while DLP can learn weather patterns from vast amounts of data directly but struggles to incorporate physical laws. Both paradigms possess their respective strengths and weaknesses, and are incompatible, because physical laws adopted in NWP describe the relationship between coordinates and meteorological variables, while DLP directly learns the relationships between meteorological variables without consideration of coordinates. To address these problems, we introduce the DeepPhysiNet framework, incorporating physical laws into deep learning models for accurate and continuous weather system modeling. First, we construct physics networks based on multilayer perceptrons (MLPs) for individual meteorological variable, such as temperature, pressure, and wind speed. Physics networks establish relationships between variables and coordinates by taking coordinates as input and producing variable values as output. The physical laws in the form of Partial Differential Equations (PDEs) can be incorporated as a part of loss function. Next, we construct hyper-networks based on deep learning methods to directly learn weather patterns from a large amount of meteorological data. The output of hyper-networks constitutes a part of the weights for the physics networks. Experimental results demonstrate that, upon successful integration of physical laws, DeepPhysiNet can accomplish multiple tasks simultaneously, not only enhancing forecast accuracy but also obtaining continuous spatiotemporal resolution results, which is unattainable by either the NWP or DLP.

研究の動機と目的

• 数値予報（NWP）の物理法則とデータ駆動型深層学習（DLP）を組み合わせる動機づけを行い、それぞれのパラダイムの限界を克服する。
• PDE ベースの大気法則を学習可能なモデルに埋め込むため、物理情報を組み込んだニューラルネットワークを用いた統一フレームワークを提案する。
• 任意の座標と解像度で予測を可能にし、連続的な時空間予測を実現する。
• ダウンスケーリング、バイアス補正、気象予測タスクでこのフレームワークを実証する。
• 予測における物理法則と入力変数の役割を示す解釈性分析を提供する。

提案手法

• 座標（x, y, t）を変数値へ写像する個々の気象変数用の物理ネットワーク（MLP）を導入する。
• 歴史データから時空間特徴を学習し、物理ネットワークの重みを生成するハイパーネットワーク（Transformer ベース）を用いる。
• 内点には物理的一貫性を課すため、損失関数として PDE をソフト制約として組み込み、格点には回帰損失を用いる。
• 推論時に任意の入力座標で物理ネットワークを評価することで、連続解像度を許す。
• 実データと PDE ベースの損失の両方で訓練し、単一のフレームワークでダウンスケーリング、バイアス補正、予測を可能にする。
• 出力は六つの地表変数: u, v, T, p, ρ, q。入力は場の系列と座標から構成される。

実験結果

リサーチクエスチョン

• RQ1 物理法則をデータ駆動型の気象モデルに効果的に埋め込み、連続解像度予測を実現できるか。
• RQ2 ハイパーネットワークと物理ネットワークを組み合わせたハイブリッドアーキテクチャは、ダウンスケーリングとバイアス補正において従来のNWPおよびDLPを上回るか。
• RQ3 PDEベースの制約は予測の解釈性と物理的一貫性をどの程度向上させるか。
• RQ4 物理的現実性を保ちながら、駅レベルの正確なダウンスケーリングと格点バイアス補正をモデルは実現できるか。
• RQ5 PDE による監督のみで、トレーニング時間外の予測をどれだけうまく外挿できるか。

主な発見

Method	SPD RMSE	SPD COR	T RMSE	T COR	RH RMSE	RH COR
NCEP IFS	2.055	0.439	4.178	0.937	19.364	0.711
ECMWF IFS	1.844	0.430	4.099	0.944	17.471	0.757
DeepPhysiNet	1.686	0.443	3.788	0.949	16.686	0.761

• DeepPhysiNet は風速、温度、相対湿度について、駅レベルのダウンスケーリング精度を NCEP IFS および ECMWF IFS より向上させた。
• 駅レベルのダウンスケーリングでは、SPD の RMSE 1.686 および COR 0.443、T の RMSE 3.788 および COR 0.949、RH の RMSE 16.686 および COR 0.761 を達成し、いくつかの指標でベースラインを上回る。
• 格点バイアス補正では競争力のある性能を示し、ECMWF に対して温度と相対湿度で強い結果、ほとんどの場合で NCEP よりもバイアス補正が改善された。
• 短期天気予報（0-24h）では DeepPhysiNet はほぼ NCEP IFS に並ぶか、わずかに上回る。PDE 監督のみで 24h から 48h へ向けた外挿能力も有望。
• このフレームワークは入力変数の寄与分析による解釈可能性の洞察を提供し、圧力と風の変数が大きく影響することを示すとともに、PDE を物理的に妥当な出力へ導く効果的なソフト制約として示している。