[論文レビュー] Forecasting Global Weather with Graph Neural Networks

Ryan Keisler|arXiv (Cornell University)|Feb 15, 2022

Meteorological Phenomena and Simulations被引用数 126

ひとこと要約

この論文は、グラフニューラルネットワークを用いてデータ駆動型の気象予測モデルを提示するもので、全球大気状態を6時間ごとに進化させ、1度グリッドで運用モデルと競合する性能を達成し、GFS予報とライブ統合を可能にする。

ABSTRACT

We present a data-driven approach for forecasting global weather using graph neural networks. The system learns to step forward the current 3D atmospheric state by six hours, and multiple steps are chained together to produce skillful forecasts going out several days into the future. The underlying model is trained on reanalysis data from ERA5 or forecast data from GFS. Test performance on metrics such as Z500 (geopotential height) and T850 (temperature) improves upon previous data-driven approaches and is comparable to operational, full-resolution, physical models from GFS and ECMWF, at least when evaluated on 1-degree scales and when using reanalysis initial conditions. We also show results from connecting this data-driven model to live, operational forecasts from GFS.

研究の動機と目的

• 現在の3D大気状態を6時間前方へ移動させることで、グローバルな気象予測モデルをスケーラブルに開発する。
• 球面幾何と密な多変量大気データを扱うためにグラフニューラルネットワークを活用する。
• 以前のデータ駆動アプローチおよび運用の物理ベースモデルと比較して性能を評価する。
• GFSなどのライブ運用予報システムと互換性を示し、物理＋MLワークフローのハイブリッドを形成する。

提案手法

• エンコーダー、プロセッサー、デコーダーの3成分アーキテクチャを使用し、エンコーダーは緯度経度グリッドデータをicosahedron潜在グリッドに写像し、プロセッサーは潜在特徴上で反復的なメッセージパッシングを行い、デコーダーは6時間の状態変化を予測するために緯度経度グリッドへ再写像する。
• モデルは1度グリッドで78チャネル（6変数×13圧力レベル）を対象とし、icosahedronグリッド上で5,882の潜在ノードを使用。
• マルチステップロ rollout損失（4, 8, 12ステップ、1–3日ロールアウトに対応）で訓練し、各変数の時間差分分散で損失を正規化。
• ERA5再分析データと、別個に過去のGFS予報で訓練し、静的海陸マスクと地形、日射を入力として使用。
• NVIDIA A100ハードウェア上で勾配とメモリ効率戦略を活用；6時間ステップの待機時間は0.04秒/ステップ、5日間予報で約0.8秒を実現。

実験結果

リサーチクエスチョン

• RQ1 データ駆動でグラフニューラルネットワークベースのモデルは、1度解像度で従来のデータ駆動法より高忠実度の全球気象予測を行えるか？
• RQ2 密な大気データに対してマルチステップ損失で訓練した6時間ステップの自己回帰ロールアウトは、複数日予測でどの程度の性能を示すか？
• RQ3 GNNベースの予報モデルは再分析初期化ベースのベンチマークで運用NWPモデル（GFS/ECMWF）にどの程度匹敵する、あるいは近づくか？
• RQ4 データ駆動予報エンジンをライブ運用予報（例：GFS）と結合して、正確でタイムリーなハイブリッド予報を生み出すことは可能か？

主な発見

• モデルは1度グリッドで78チャネルにわたる6時間状態変化を予測することを学習し、複数ステップをロールアウトして数日間の予報を作成できる。
• ERA5ベースのテストでは、データ駆動予測は従来のデータ駆動モデルより優れており、再分析初期条件を用いた場合、1度スケールでのGFS/ECMWFの性能に匹敵する。
• GFS v15.2およびECMWFの2020年の本番環境と比較すると、データ駆動モデルは概ねGFSを上回り、ECMWFと比較しては外帯域で平滑化して打ち切りを模した場合に匹敵。
• データ駆動モデルはライブGFSデータに接続して、公開更新に先んじた予報間の変化を予見するハイブリッド系を作ることができ、3日間のロールアウトで実証。
• このアプローチは約6日までのロールアウトで安定性を示し、それを超えると六角形の不安定性が現れるが、方法論的調整で対処可能。