[論文レビュー] FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation

Yi Xiao, Lei Bai+4 more|arXiv (Cornell University)|Dec 16, 2023

Meteorological Phenomena and Simulations被引用数 12

ひとこと要約

この論文はデータ駆動型の FengWu 天気予報モデルを 4DVar データ同化と自動微分を用いて結合し、手動の adjoint モデルなしで AI ベースの循環予報を可能にし、シミュレーション観測を用いた安定した正確な解析を示す。

ABSTRACT

Weather forecasting is a crucial yet highly challenging task. With the maturity of Artificial Intelligence (AI), the emergence of data-driven weather forecasting models has opened up a new paradigm for the development of weather forecasting systems. Despite the significant successes that have been achieved (e.g., surpassing advanced traditional physical models for global medium-range forecasting), existing data-driven weather forecasting models still rely on the analysis fields generated by the traditional assimilation and forecasting system, which hampers the significance of data-driven weather forecasting models regarding both computational cost and forecasting accuracy. In this work, we explore the possibility of coupling the data-driven weather forecasting model with data assimilation by integrating the global AI weather forecasting model, FengWu, with one of the most popular assimilation algorithms, Four-Dimensional Variational (4DVar) assimilation, and develop an AI-based cyclic weather forecasting system, FengWu-4DVar. FengWu-4DVar can incorporate observational data into the data-driven weather forecasting model and consider the temporal evolution of atmospheric dynamics to obtain accurate analysis fields for making predictions in a cycling manner without the help of physical models. Owning to the auto-differentiation ability of deep learning models, FengWu-4DVar eliminates the need of developing the cumbersome adjoint model, which is usually required in the traditional implementation of the 4DVar algorithm. Experiments on the simulated observational dataset demonstrate that FengWu-4DVar is capable of generating reasonable analysis fields for making accurate and efficient iterative predictions.

研究の動機と目的

• データ駆動予報システムにおける初期化の物理予報モデルへの依存を排除する動機づけ。
• FengWu を 4DVar 同化と統合して循環的な AI 予報フレームワーク FengWu-4DVar を提案する。
• 4DVar パイプラインにおける手動でコード化された adjoint モデルを自動微分が置換できることを示す。
• temporal aggregation（時間的集約）とモデル誤差の考慮が同化の精度と効率を向上させることを示す。

提案手法

• AI 前方モデル M を用いて背景 x^b および観測系列 {yτ} で 4DVar 目的関数 J(x0) を定式化する。
• explicit adjoint モデルを用いずに ∂J/∂x0 を自動微分で計算し、L-BFGS で最適化する。
• M1, M3（および M6）を用いて同化窓の xτ を計算する時間的集約戦略を導入する。
• 運用実践に合わせて 6 時間の同化窓と 1 時間の観測間隔を採用する。
• 同化における AI モデル誤差を説明するために目的関数にモデル誤差共分散行列 Qτ を加える。
• 背景場を M t→t+T で更新し、4DVar によって再初期化する循環予報を実装する。

実験結果

リサーチクエスチョン

• RQ1 AI ベースの全球規模天気予報モデルを 4DVar 同化と効果的に結合して、自己完結型の循環予報を正確に生成できるか。
• RQ2 AI代替推定を使用する際、4DVar において自動微分は手動でコード化された adjoint モデルを不要にするか。
• RQ3 tempor al aggregation（1-, 3-, 6-時間ステップ）の実装が単一ステップ積分と比較して同化の精度と安定性を向上させるか。
• RQ4 FengWu-4DVar の現実的なシミュレーションデータ上での計算コストと安定性の特徴は。

主な発見

• FengWu-4DVar は観測の 15% のカバレッジでシミュレーション観測を用いて1年間にわたり安定した循環予報を生み出す。
• 分析場の RMSE および バイアスは背景場と比較して減少しており、例として t500 の RMSE は背景 ~0.48 K から分析 ~0.41 K に低下。
• z500, t500, u500, v500 の分析場は、それぞれ約 30 m^2/s^2, 0.4 K, 1.41 m/s, 1.39 m/s の RMSE に収束。
• エンドツーエンドの同化（単一の Nvidia A100 GPU での自動微分を含む）は 6 時間窓あたり約 29.3 秒で動作。
• 自動微分は伝統的な adjoint ベースの勾配計算と同等であることを補足で確立・検証。
• モデル誤差分散 Qτ を目的関数に組み込むと AI サロゲート誤差を考慮して同化が改善される。