[論文レビュー] Increasing the accuracy and resolution of precipitation forecasts using deep generative models

Ilan Price, Stephan Rasp|arXiv (Cornell University)|Mar 23, 2022

Meteorological Phenomena and Simulations被引用数 39

ひとこと要約

論文は CorrectorGAN を提案する。これは世界規模の粗い降水予報を条件付き GAN で修正し、確率的な高解像度予報へとダウンスケールする。地域モデルに近い性能を、コストのごく一部で達成する。

ABSTRACT

Accurately forecasting extreme rainfall is notoriously difficult, but is also ever more crucial for society as climate change increases the frequency of such extremes. Global numerical weather prediction models often fail to capture extremes, and are produced at too low a resolution to be actionable, while regional, high-resolution models are hugely expensive both in computation and labour. In this paper we explore the use of deep generative models to simultaneously correct and downscale (super-resolve) global ensemble forecasts over the Continental US. Specifically, using fine-grained radar observations as our ground truth, we train a conditional Generative Adversarial Network -- coined CorrectorGAN -- via a custom training procedure and augmented loss function, to produce ensembles of high-resolution, bias-corrected forecasts based on coarse, global precipitation forecasts in addition to other relevant meteorological fields. Our model outperforms an interpolation baseline, as well as super-resolution-only and CNN-based univariate methods, and approaches the performance of an operational regional high-resolution model across an array of established probabilistic metrics. Crucially, CorrectorGAN, once trained, produces predictions in seconds on a single machine. These results raise exciting questions about the necessity of regional models, and whether data-driven downscaling and correction methods can be transferred to data-poor regions that so far have had no access to high-resolution forecasts.

研究の動機と目的

• 気候変動に伴う極端現象の増加に対して、正確で高解像度の降水予報の必要性に対処する。
• 全球の低解像度予報の偏りをデータ駆動で修正し、4km解像度へダウンスケールする。
• 現実的な空間的依存性と較正された確率を備えた高解像度予報場のアンサンブルを生成する。
• 補間、純粋な超解像、CNNベース手法、地域の高解像度モデル（HREF）を含む基準手法と比較して評価する。
• 単一機械での迅速推論を可能にする計算効率を示す。

提案手法

• 修正器（Corrector）と超解像器（Super-resolver）という二段階のジェネレータを開発し、修正された低解像度表現を生成し、それを高解像度へアップスケールする。
• 三段階の学習手順で訓練する。ステージ1（低解像度修正）で対数変換前処理と FSS ベースの損失、ステージ2（高解像度事前訓練）で高解像度出力の L1 損失を追加、ステージ3（GAN 訓練）で Wasserstein GAN 損失と補助的な L_LR および L_HR を用いる。
• 識別器は高解像度観測と低解像度予測を処理し、それらの表現を融合させて妥当性と真実性を判断する。
• 4チャネル入力（16x16 TIGGE アンサンブル要素とコンテキスト変数を含む）と 16x16 から 128x128 への超解像器を使用する。
• 識別器の勾配ペナルティを伴う Wasserstein 損失と、修正済みの高解像出力と地上 truth との短期・長期の一貫性を促す多項目のジェネレータ損失で最適化する。

実験結果

リサーチクエスチョン

• RQ1 粗い全球予測の偏りを修正しつつ、高解像度へダウンスケールできるデータ駆動の生成モデルは実現可能か。
• RQ2 CorrectorGAN が生成する修正済み高解像予報は、基準手法や地域モデルと比べて信頼できる確率予報を提供するか。
• RQ3 ダウンスケールし修正された全球モデルのアプローチは、確率指標の観点で最先端の地域高解像予報にどれほど近づけるか。
• RQ4 追加の気象文脈情報とアンサンブル入力を含めることが、ダウンスケーリングと偏り補正性能に与える影響は何か。

主な発見

モデル	CRPS	1mm	5mm	10mm	30mm
CorrectorGAN	0.574	0.06	0.034	0.02	0.0024
HREF	0.562	0.059	0.032	0.019	0.0026
TIGGE Interp.	0.605	0.064	0.035	0.021	0.0025
Pure-SR GAN	0.61	0.063	0.036	0.021	0.0024
BG-CNN	0.62	0.06	0.035	0.021	0.0032

• CorrectorGAN は CRPS および Brier Score において、1mm, 5mm, 10mm, 30mm の閾値で補間、Pure-SR GAN、BG-CNN の基準を上回る。
• CorrectorGAN の CRPS は 0.574 で、HREF の 0.562 に近く、TIGGE 補間（0.605）および Pure-SR GAN（0.61）より大幅に良い。
• 1mm, 5mm, 10mm, 30mm の閾値で、CorrectorGAN はそれぞれ 0.06, 0.034, 0.02, 0.0024 の Brier Score を達成し、極端な閾値で HREF に接近する。
• HREF は全モデルの中で一般的に最良の性能を示し、CorrectorGAN は特に極端な降水（30mm）でその信頼性に密接に匹敵する。
• 推論は速く、単一の機械で高解像度予報を提供できるため、スケーラブルな適用が可能。