[論文レビュー] Extreme Precipitation Seasonal Forecast Using a Transformer Neural Network

Daniel Civitarese, Daniela Szwarcman+2 more|arXiv (Cornell University)|Jul 14, 2021

Meteorological Phenomena and Simulations被引用数 25

ひとこと要約

本論文では Temporal Fusion Transformer（TFT）を用いて、週次の最大日降水量の分位数を最大6か月先まで予測し、ECMWF SEAS5アンサンブルを上回り、一部のケースで気候要素の平均値（climatology）に匹敵する。

ABSTRACT

An impact of climate change is the increase in frequency and intensity of extreme precipitation events. However, confidently predicting the likelihood of extreme precipitation at seasonal scales remains an outstanding challenge. Here, we present an approach to forecasting the quantiles of the maximum daily precipitation in each week up to six months ahead using the temporal fusion transformer (TFT) model. Through experiments in two regions, we compare TFT predictions with those of two baselines: climatology and a calibrated ECMWF SEAS5 ensemble forecast (S5). Our results show that, in terms of quantile risk at six month lead time, the TFT predictions significantly outperform those from S5 and show an overall small improvement compared to climatology. The TFT also responds positively to departures from normal that climatology cannot.

研究の動機と目的

• 気候変動の下で、準長期から季節予報における極端降水の予測を改善する動機付け。
• 複数地点に跨る週次の最大日降雨量を対象とした、分位数ベースの予測フレームワークを開発する。
• マルチホライゾン予測のため、静的入力・過去の入力・将来の入力を扱えるように、TFTを活用する。
• リスク評価・意思決定を支援する解釈可能な出力（複数の分位数）を提供する。

提案手法

• TFTを用いて、最大日降水量の分位数（0.1、0.5、0.9）を、最大26週先までの週次ステップで予測する。
• 場所・高度などの静的入力、月やENSO関連予測値などの既知の将来入力、過去の降水量・気温・土壌水分・ジオポテンシャルなどの過去の入力を組み込む。
• 分位数と予測期間全体にわたる結合分位損失を用いてTFTを訓練する（分位損失QL、q-risk正規化）。
• 領域特有のサブ領域と格点分割を用いて、1981-2010 の climatology と、校正済みのECMWF SEAS5アンサンブル（50メンバー）とTFTを比較する。
• 分位数0.9におけるq-riskの差を用いて評価し、リオデジャネイロとフロリダ全体で空間的に分析する。

実験結果

リサーチクエスチョン

• RQ1 最新の動力学的アンサンブルと比較して、TFTベースの分位予測は最大6か月先の極端降水予測を改善できるか？
• RQ2 TFTの性能は、地域（リオデジャネイロとフロリダ）間でどう変動するか、また climatology と比較してどうか？
• RQ3 準長期から季節予報におけるリスク評価のための多分位数TFT出力の価値は何か？

主な発見

• 全地域で分位数0.9の q-risk に関して、TFT は S5 を顕著に上回る。
• いくつかのターゲットで climatology に対して全体的に小さな改善を示し、特に0.9分位でS5より明確に改善する。
• リオでは全ての分位数でclimatologyに対するq-riskを低減。S5に対しては0.9分位で最大29.54%の改善。
• フロリダでは全分位数でS5を上回る改善が見られ、0.9分位で特に顕著な利益（S5−TFTで41.87%）。
• TFT は、入力変数と時系列ダイナミクスを通じて予測を適応させることで、 climatology より正規分布からの逸脱をより捉える。