[論文レビュー] Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model

Yingkai Sha, Ryan A. Sobash+1 more|arXiv (Cornell University)|Oct 9, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用数 3

ひとこと要約

本論文は、決定論的積乱雲許容モデル（CAM）出力から合成アンサンブル予報を生成するため、条件付き生成対抗ネットワーク（CGAN）と畳み込みニューラルネットワーク（CNN）を組み合わせた新しい深層学習フレームワークを提案する。この手法は、ベースライン比でBrierスキルスコア（BSS）を最大20%向上させ、信頼性のあるアンサンブルスプレッドを生成することで不確実性の定量化を向上させる。

ABSTRACT

An ensemble post-processing method is developed for the probabilistic prediction of severe weather (tornadoes, hail, and wind gusts) over the conterminous United States (CONUS). The method combines conditional generative adversarial networks (CGANs), a type of deep generative model, with a convolutional neural network (CNN) to post-process convection-allowing model (CAM) forecasts. The CGANs are designed to create synthetic ensemble members from deterministic CAM forecasts, and their outputs are processed by the CNN to estimate the probability of severe weather. The method is tested using High-Resolution Rapid Refresh (HRRR) 1--24 hr forecasts as inputs and Storm Prediction Center (SPC) severe weather reports as targets. The method produced skillful predictions with up to 20% Brier Skill Score (BSS) increases compared to other neural-network-based reference methods using a testing dataset of HRRR forecasts in 2021. For the evaluation of uncertainty quantification, the method is overconfident but produces meaningful ensemble spreads that can distinguish good and bad forecasts. The quality of CGAN outputs is also evaluated. Results show that the CGAN outputs behave similarly to a numerical ensemble; they preserved the inter-variable correlations and the contribution of influential predictors as in the original HRRR forecasts. This work provides a novel approach to post-process CAM output using neural networks that can be applied to severe weather prediction.

研究の動機と目的

• 決定論的CAM予報からの確率的激しい天候予測を向上させるための後処理手法を開発すること。
• 積乱雲許容モデルにおけるアンサンブルサイズの制限に取り組み、深層生成モデルを用いて合成アンサンブルメンバーを生成すること。
• ハイブリッド深層学習アプローチを用いて、トナード、 hail、風速突風の予測スキルと不確実性の定量化を向上させること。
• CGANによって生成された予報が、重要な気象的関係性および予測子の重要度を保持しているかどうかを評価すること。
• 大規模数値アンサンブルの代替手段として、条件付き生成モデルのスケーラビリティを実証すること。

提案手法

• 決定論的High-Resolution Rapid Refresh（HRRR）予報から合成アンサンブルメンバーを生成するため、条件付き生成対抗ネットワーク（CGAN）を訓練する。
• CGANの出力を畳み込みニューラルネットワーク（CNN）分類器で処理し、激しい天候発生のグリッドポイント確率を推定する。
• 不確実性の定量化とアンサンブル学習のため、CNN内にモンテカルロドロップアウトを適用する。
• モデルはHRRRv4予報（1〜24時間のリードタイム）を用いて訓練・評価し、2021年のストーム予測センター（SPC）の激しい天候報告と照合する。
• 先行研究で用いられるアップスケーリングを回避するため、ネイティブモデルグリッド上で直接処理を行う。
• Brierスキルスコア（BSS）、スプレッド-スキルの信頼性、ドロップアウトテストを用いてモデルの性能を評価し、パターン相関およびパーミュテーション特徴量重要度の追加分析も実施する。

Figure 1: The 3-km grid spacing HRRR domain with shaded elevation. (b) The 80-km grid spacing CONUS domain with grid-point-wise severe weather climatological probabilities. (c) An example of a CONUS domain grid cell and its surrounding 64-by-64 HRRR cells. The locations and boundaries of grid cells

実験結果

リサーチクエスチョン

• RQ1 CGANベースの手法は、決定論的CAM出力からの合成アンサンブル予報を生成し、確率的激しい天候予測を向上させることができるか？
• RQ2 CGAN-CNNフレームワークの予測スキルは、生成アンサンブルを含まないベースラインニューラルネットワーク手法と比較してどのように異なるか？
• RQ3 CGANによって生成された予報は、元のHRRR予報と比較して、変数間相関関係および主要予測子の影響をどの程度保持しているか？
• RQ4 CGAN出力からのアンサンブルスプレッドは、予測不確実性をどの程度適切に定量化できており、信頼性のある予報と信頼性のない予報を区別できるか？
• RQ5 CGANによって生成されたアンサンブルは、激しい天候確率予報の解像度と信頼性の両方を向上させることができるか？

主な発見

• CGAN-CNNフレームワークは、ベースラインモデルと比較して最大20%のBrierスキルスコア（BSS）向上を達成し、短リードタイムでは0.2のBSS、長リードタイムでは約0.1のBSSを記録した。
• BSSの向上は、激しい天候が頻発する北東部アメリカおよびグレートプレインズ地域で特に顕著であった。
• 空間的分析から、CGANアンサンブルは、確認済みの激しい天候事例に対して高い確率を発出することで、より優れた解像度を示した。
• CGANアンサンブルはスプレッド-スキルの信頼性が向上し、ドロップアウトテストでもベースラインを上回り、良い予報と悪い予報をより効果的に区別できた。
• パターン相関による測定では、CGAN出力が積乱雲セルの位置を保持し、元のHRRR予報と同程度の変数間相関関係を維持していた。
• パーミュテーション特徴量重要度分析から、CGANによって生成された予測子は、HRRRに基づく対応する予測子と同等の相対的重要度を保持しており、一貫した予測構造が保たれていることが確認された。

Figure 2: Technical steps of the CGAN ensemble (a), CNN ensemble (b), and MLP ensemble (c).