[論文レビュー] Generative Modeling of High-resolution Global Precipitation Forecasts

John S. Duncan, Shashank Subramanian+1 more|arXiv (Cornell University)|Oct 22, 2022

Meteorological Phenomena and Simulations被引用数 7

ひとこと要約

本稿では、特に極端な現象を対象として、高分解能グローバル降水量予測を改善するため、生成対抗ネットワーク（GAN）を強化したFourCastNetのバージョンを提案する。TSITアーキテクチャを用いて多スケールの意味的・スタイル的特徴を統合し、敵対的学習を適用することで、微細な降水量構造を捉え、極端なパーセンタイルをよりよく表現する。1〜2日先の予測において最先端の精度を達成するとともに、IFSと同等の性能を示す。

ABSTRACT

Forecasting global precipitation patterns and, in particular, extreme precipitation events is of critical importance to preparing for and adapting to climate change. Making accurate high-resolution precipitation forecasts using traditional physical models remains a major challenge in operational weather forecasting as they incur substantial computational costs and struggle to achieve sufficient forecast skill. Recently, deep-learning-based models have shown great promise in closing the gap with numerical weather prediction (NWP) models in terms of precipitation forecast skill, opening up exciting new avenues for precipitation modeling. However, it is challenging for these deep learning models to fully resolve the fine-scale structures of precipitation phenomena and adequately characterize the extremes of the long-tailed precipitation distribution. In this work, we present several improvements to the architecture and training process of a current state-of-the art deep learning precipitation model (FourCastNet) using a novel generative adversarial network (GAN) to better capture fine scales and extremes. Our improvements achieve superior performance in capturing the extreme percentiles of global precipitation, while comparable to state-of-the-art NWP models in terms of forecast skill at 1--2 day lead times. Together, these improvements set a new state-of-the-art in global precipitation forecasting.

研究の動機と目的

• 深層学習モデルがグローバル予報において微細な降水量構造や極端なパーセンタイルを捉えることの限界を解消すること。
• データ駆動型の生成的モデリングを用いて、高影響を及ぼす極端な降水量イベントの予測精度を向上させること。
• 条件付き生成対抗ネットワーク（cGAN）と多スケール特徴統合を組み合わせ、物理的に現実的な降水量の合成を実現すること。
• 敵対的学習が、標準的なL1損失ベースラインと比較して、極端な現象の捉え方と全体的な予測精度の両方を向上させるかどうかを評価すること。
• 生成器におけるノイズ注入機構を用いた確率的推論により、確率的予測を可能とすること。

提案手法

• 条件付きGANに適したTSITアーキテクチャを採用し、生成器内での多スケールの条件付けと特徴統合を可能にする。
• 入力と生成器の間にノイズストリームを導入し、確率的かつ非決定的推論を実現することで、確率的アンサンブル予測を可能にする。
• 多スケールのパッチベースのディスクライマーを採用し、降水量出力における局所的およびグローバルな空間的パターンを強制的に再現する。
• リアルさと正確さのバランスを図るために、敵対的損失、L1損失、および知覚的損失の組み合わせを用いてモデルを訓練する。
• 目標変数として6時間積算降水量を用い、ERA5再解析データ（学習：1979–2015、検証：2016–2017、テスト：2018）を用いる。
• 微細な特徴の可視化と学習安定性を向上させるために、降水量に対数正規化を適用する。

実験結果

リサーチクエスチョン

• RQ1 多スケール特徴条件付けを施した条件付きGANは、グローバル予報における微細な降水量構造の表現を向上させることができるか？
• RQ2 敵対的学習は、L1のみのベースラインと比較して、極端な降水量パーセンタイルの捉え方を向上させるか？
• RQ3 提案手法は1〜2日先の予測において、IFSモデルの予測精度をどの程度再現または上回ることができるか？
• RQ4 ノイズ注入による確率的推論は、降水量の不確実性評価のための意味的な確率的アンサンブル予測を生成できるか？
• RQ5 平滑化処理を施した予測出力において、ACCなどのグローバル指標と極端な現象の表現の間にはどのようなトレードオフが生じるか？

主な発見

• 敵対的学習を施したモデルは、南米上空の可視化結果から、L1のみのベースラインおよびFourCastNetと比較して、より正確に微細な降水量構造を捉えている。
• 極端な降水量パーセンタイルの表現において、L1のみのモデルおよびFourCastNetを上回る優れた性能を示し、高強度の現象を効果的に捉えている。
• 1〜2日先の予測において、異常相関係数（ACC）で測定した場合、IFSモデルと同等またはそれを上回る予測精度を達成している。
• 特に弱いから中程度の降雨の分布を捉える点で、ERA5の真値と良好な一致を示しており、割合としての降水量寄与度においても良好な一致を示している。
• 出力にガウス平滑化を施すと、極端な現象の捉え方が劣化するが、ACCは向上する。これは、グローバル指標と極端な現象の忠実度の間のトレードオフを示している。
• ノイズ注入による確率的予測は、海岸線や山岳地帯など、空間的・時間的に変動が激しい地域で高い分散を示しており、妥当な不確実性評価を示している。