[論文レビュー] GraphCast: Learning skillful medium-range global weather forecasting

Rémi Lam, Álvaro Sánchez‐González+16 more|arXiv (Cornell University)|Dec 24, 2022

Advanced Graph Neural Networks被引用数 169

ひとこと要約

GraphCastは、ERA5再分析データで訓練されたグラフニューラルネットワークベースの気象モデルで、0.25°解像度で最大10日先まで何百もの天気変数を予測し、対象の大半でECMWF HRESを上回る。高速に動作し、重大イベントの予測をサポートする。

ABSTRACT

Global medium-range weather forecasting is critical to decision-making across many social and economic domains. Traditional numerical weather prediction uses increased compute resources to improve forecast accuracy, but cannot directly use historical weather data to improve the underlying model. We introduce a machine learning-based method called "GraphCast", which can be trained directly from reanalysis data. It predicts hundreds of weather variables, over 10 days at 0.25 degree resolution globally, in under one minute. We show that GraphCast significantly outperforms the most accurate operational deterministic systems on 90% of 1380 verification targets, and its forecasts support better severe event prediction, including tropical cyclones, atmospheric rivers, and extreme temperatures. GraphCast is a key advance in accurate and efficient weather forecasting, and helps realize the promise of machine learning for modeling complex dynamical systems.

研究の動機と目的

• データ駆動型MLWPモデルを再分析データから直接訓練して、全球の天気変数を最大10日先まで予測できることを実証する。
• GraphCastが多数の検証ターゲットで運用上の決定論モデルHRESを上回ることを示す。
• GraphCastの重大イベント予測（サイクロン、大量の降水を伴う大気の河川、極端な気温）への有用性を評価する。
• 最新の訓練データの使用が予測技能に与える影響を評価し、限界と今後の方向性を議論する。

提案手法

• refined icosahedral メッシュから派生したマルチメッシュグラフを用いたエンコード・プロセス・デコード型GraphCastアーキテクチャの構築。
• 6時間ステップごとの状態残差を予測する自己回帰的予測。
• 垂直レベルでウェイト付けされたMSE損失を用い、ERA5再分析の39年分（1979–2017）を訓練し、自己回帰ステップを1から12へ徐々に増加。
• 0.25°解像度で10日予報、1380ターゲットに対してRMSEと異常相関係数（ACC）でGraphCastとHRESを比較。
• ERA5を入力/出力として真値のグラウンドトゥルースを用い、公正な比較を確保するために類似のデータ同化ウィンドウを持つHRES-fc0ベースラインを構築。
• GraphCastをGoogle Cloud TPUs上で3670万パラメータで動作させ、0.25°×0.25°グリッドと37つの圧力レベルを前提とする。

実験結果

リサーチクエスチョン

• RQ1 ERA5再分析データで訓練されたグラフニューラルネットワークは、最大10日先までの多様な変数の天気状態を予測することを学習できるのか。
• RQ2 Lead timeを超えた広範な検証ターゲットセットに対して、GraphCastはECMWFのHRES決定論モデルとどのように比較されるのか。
• RQ3 直接訓練されていなくても、重大イベント予測（サイクロン、大気の河川、極端な気温）においてGraphCastは改善を提供するのか。
• RQ4 最新の訓練データを使用することがGraphCastの予測技能に与える影響はどうなるのか。
• RQ5 アンサンブル法と比べた場合の決定論的MLベース予測の限界は何か。

主な発見

• GraphCastは1380ターゲット中90.3%、うち89.9%は有意にHRESを上回り、0.25°解像度の10日予報で優位性を示す。
• z500ヘッドライン場について、GraphCastはRMSE技能の7–14%の改善とHRESより高いACCを示す。
• GraphCastはほとんどの変数と高度で優れた性能を維持し、高さの50 hPaを除外すると優位性が96.9%、50および100 hPaを除外すると99.7%に上昇する。
• GraphCastのサイクロン追跡は、リードタイム18時間から4.75日間でHRESよりも正確。
• GraphCastは大気の河川関連IVT予測をHRESと比較して改善を示し、特に長いリードタイムでRMSEが約10–25%改善。
• 極端な高温/低温イベント予測に対して、GraphCastは5–10日先で精度-再現率の改善を示す一方、12時間ではHRESが優れる場合がある。