[論文レビュー] Global Extreme Heat Forecasting Using Neural Weather Models

Ignacio Lopez‐Gomez, Amy McGovern+2 more|arXiv (Cornell University)|May 23, 2022

Meteorological Phenomena and Simulations被引用数 14

ひとこと要約

本稿では、極端な気温異常を焦点にしたカスタム損失関数を用いてニューラルウェザーモデル（NWMs）を訓練することで、グローバルな週単位の熱波予測の精度を向上させることを提案する。指数関数的損失、特に対称的指数損失を用いて極端な出来事象に最適化することで、標準的なNWMやパーシステンス予測を著しく上回り、ECMWFと同等の週単位のスキルを達成する一方、はるかに低い計算コストを実現する。

ABSTRACT

Heat waves are projected to increase in frequency and severity with global warming. Improved warning systems would help reduce the associated loss of lives, wildfires, power disruptions, and reduction in crop yields. In this work, we explore the potential for deep learning systems trained on historical data to forecast extreme heat on short, medium and subseasonal timescales. To this purpose, we train a set of neural weather models (NWMs) with convolutional architectures to forecast surface temperature anomalies globally, 1 to 28 days ahead, at $\sim200~\mathrm{km}$ resolution and on the cubed sphere. The NWMs are trained using the ERA5 reanalysis product and a set of candidate loss functions, including the mean squared error and exponential losses targeting extremes. We find that training models to minimize custom losses tailored to emphasize extremes leads to significant skill improvements in the heat wave prediction task, compared to NWMs trained on the mean squared error loss. This improvement is accomplished with almost no skill reduction in the general temperature prediction task, and it can be efficiently realized through transfer learning, by re-training NWMs with the custom losses for a few epochs. In addition, we find that the use of a symmetric exponential loss reduces the smoothing of NWM forecasts with lead time. Our best NWM is able to outperform persistence in a regressive sense for all lead times and temperature anomaly thresholds considered, and shows positive regressive skill compared to the ECMWF subseasonal-to-seasonal control forecast after two weeks.

研究の動機と目的

• データ駆動型のディープラーニングモデルを用いて、グローバルな極端な高温イベントの週単位の予測を改善すること。
• 物理ベースのモデルが10日を超える予測において極端な高温予測に苦労するという限界を克服すること。
• 一般用途のNWMが、一般の予測スキルを損なわずに極端な出来事象の予測にファインチューニング可能かどうかを評価すること。
• 極端な気温異常をターゲットにしたカスタム損失関数が、予測の鋭さと正確性を向上させるかどうかを調査すること。
• 最小限の再訓練で可能となるトランスファーラーニングが、極端な高温予測において顕著な性能向上をもたらすことを実証すること。

提案手法

• 立方球上の約200 km解像度で、2m気温異常を予測するため、NWMをERA5再解析データで訓練する。
• グローバル大気場を処理するマルチスケールアーキテクチャを用い、1〜28日先の気温異常を予測する。
• 平均二乗誤差（MSE）、標準的指数損失、対称的指数損失の複数の損失関数を用いてモデルを訓練する。
• 事前に訓練済みのNWMを、極端な出来事象の予測に特化した損失関数で数エポックのみ再訓練することで、トランスファーラーニングを適用する。
• 有限のテストセットにおける予測指標の不確実性を推定するために、1年間の非重複ブロックを用いたブロックブートストラップを適用する。
• 高気温異常を条件とした回帰的スキル指標（例：中心化された異常相関、バイアス補正済みRMSE）を用いて、極端な出来事象における性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 歴史的再解析データで訓練されたディープラーニングモデルは、効果的な緩和策が可能な十分なリードタイムを有して、グローバルな極端な高温イベントを予測可能か？
• RQ2 極端な気温異常を強調するカスタム損失関数で訓練されたNWMは、標準的なMSE損失と比較して、予測精度が向上するか？
• RQ3 極端な出来事象に特化した訓練は、一般の気温予測性能を劣化させることなく、予測スキルを向上させるか？
• RQ4 対称的指数損失の使用は、時間経過に伴い予測の鋭さと分布の忠実性にどのような影響を与えるか？
• RQ5 最小限の再訓練で可能となるトランスファーラーニングは、極端な高温予測においてどの程度の高いスキルを達成できるか？

主な発見

• 対称的指数損失で訓練されたNWMは、標準的なMSEで訓練されたモデルと比較して、特に長いリードタイムにおいて極端な高温イベントの予測が優れている。
• 最も優れたモデル（ExtNet）は、テストされたすべてのリードタイムと気温異常閾値において、パーシステンス予測を回帰的観点で上回っている。
• ExtNetは、2週間以上のリードタイムでECMWFの週単位から季節単位のコントロール予測と比較して、肯定的な回帰的スキルを示している。
• カスタム損失による訓練は、一般の気温予測性能の低下を最小限に抑えつつ、極端な予測スキルを向上させている。
• 対称的指数損失は、リードタイムの延長に伴う予測のスムージングを低減し、予測の鋭さを維持している。
• 極端な出来事象に特化した損失関数で数エポックのみ再訓練することで、トランスファーラーニングが、完全な再訓練を要せずとも顕著な性能向上をもたらしている。