[論文レビュー] FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators

Jaideep Pathak, Shashank Subramanian+11 more|arXiv (Cornell University)|Feb 22, 2022

Meteorological Phenomena and Simulations被引用数 441

ひとこと要約

FourCastNetは0.25°分解能のグローバルデータ駆動型天気モデルで、短期リードタイムにおいて大規模スケールでECMWF IFSに匹敵し、小規模スケール変数では上回り、超高速な大規模アンサンブルを可能にします。

ABSTRACT

FourCastNet, short for Fourier Forecasting Neural Network, is a global data-driven weather forecasting model that provides accurate short to medium-range global predictions at $0.25^{\circ}$ resolution. FourCastNet accurately forecasts high-resolution, fast-timescale variables such as the surface wind speed, precipitation, and atmospheric water vapor. It has important implications for planning wind energy resources, predicting extreme weather events such as tropical cyclones, extra-tropical cyclones, and atmospheric rivers. FourCastNet matches the forecasting accuracy of the ECMWF Integrated Forecasting System (IFS), a state-of-the-art Numerical Weather Prediction (NWP) model, at short lead times for large-scale variables, while outperforming IFS for variables with complex fine-scale structure, including precipitation. FourCastNet generates a week-long forecast in less than 2 seconds, orders of magnitude faster than IFS. The speed of FourCastNet enables the creation of rapid and inexpensive large-ensemble forecasts with thousands of ensemble-members for improving probabilistic forecasting. We discuss how data-driven deep learning models such as FourCastNet are a valuable addition to the meteorology toolkit to aid and augment NWP models.

研究の動機と目的

• 0.25°分解能の高解像度データ駆動型グローバル天気予報モデルを開発する。
• 主要変数（地表風、降水量）を、短期リードタイムにおいて最新の数値予報（NWP）に匹敵する精度で予測する。
• 超高速な予報を実現し、大規模アンサンブル生成を可能にする能力を実証する。
• ECMWF IFSと比較してモデルを評価し、小尺度特徴と極端イベントでの性能を分析する。
• 確率的予測のために従来のNWP手法を補完するハイブリッドDLツールキットを提案する。

提案手法

• 0.25°格子で解像度不変の学習を可能にするため、ビジョントランスフォーマーを backbone に用いた Adaptive Fourier Neural Operator (AFNO) を使用する。
• 721×1440 grid 上に20の予報大気変数を表現し、事前学習段階の後に微調整を行う（2段階）で X(k) → X(k+1) を写像するよう訓練する。
• バックボーン出力から総降水量（TP）を予測する別個のAFNOベースの診断モデルを組み込み、スパース性を扱うため対数変換を用いる。
• ERA5再解析データで訓練（訓練: 1979–2015、検証: 2016–2017、テスト: 2018以降）を6時間間隔で行う。
• 複数ステップにわたる自己回帰推論を実行して1週間予報を作成し、2018年の TIGGE IFS 予報と比較して評価する。
• 64台のNvidia A100 GPUでエンドツーエンドの訓練を実行（約16時間）。
• エネルギー効率: 訓練エネルギーは50アンサンブルのIFS予報約10日分に相当、推論はIFSより約12,000倍少ないエネルギーを消費。

実験結果

リサーチクエスチョン

• RQ1 高解像度（0.25°）のデータ駆動モデルは、短期リードタイムにおいて最新のNWPと同等かそれ以上の精度で近地表風と降水を全球で予測できるか。
• RQ2 ViTバックボーンを持つフーリエベースのニューラルオペレーターが高解像度で小尺度特徴や極端なイベント（例: 熱帯低気圧）をどの程度捉えられるか。
• RQ3 短〜中距離予報における処理速度とエネルギー効率の観点で、FourCastNetは従来のNWPモデルとどう比較されるか。
• RQ4 FourCastNetの大規模アンサンブルは、従来のアンサンブルと比較して確率的予測と極端イベント予測を改善するか。
• RQ5 降水は、バックボーン出力を用いた別のAFNOベースの診断モデルで効果的に診断できるか（その疎でパラメータ化された性質を考慮して）？

主な発見

• FourCastNetは多くの変数で約3日程度まで正確な予報を達成し、大規模スケールではIFSに近づき、小規模スケール特徴（降水量など）ではIFSを上回る。
• モデルは1週間予報を2秒未満で提供し、低コストで非常に大規模なアンサンブル（例: 1000メンバー）を実現する。
• 解像度は従来のDLベースのグローバル天気モデルの8倍で、熱帯低気圧や大気河川の表現を向上させる。
• FourCastNetは短いリードタイムでRMSEと異常相関（ACC）でIFSに匹敵する予報を示し；3日後には性能が分岐するが、多くの変数で依然として競争力がある。
• ハリケーン・マイケルの100メンバーアンサンブルの例は、FourCastNetの迅速なアンサンブルベースのハリケーン予測の可能性を示している。