[論文レビュー] Intensity Prediction of Tropical Cyclones using Long Short-Term Memory Network

Koushik Biswas, Sandeep Kumar+1 more|arXiv (Cornell University)|Jul 7, 2021

Tropical and Extratropical Cyclones Research被引用数 12

ひとこと要約

本稿では、歴史的気象データ（風速、気圧、海面水温、低気圧位置を含む）を用いて、北インド洋における熱帯低気圧の強度を最大72時間先まで予測するスタックド双方向LSTM（BiLSTM）ネットワークを提案する。モデルは3時間予測で平均絶対誤差（MAE）1.52ノット、72時間予測で11.92ノットを達成し、徐々に変化する場合と急激に変化する場合の両方の強度変化を高い精度と頑健性で予測できることを示している。

ABSTRACT

Tropical cyclones can be of varied intensity and cause a huge loss of lives and property if the intensity is high enough. Therefore, the prediction of the intensity of tropical cyclones advance in time is of utmost importance. We propose a novel stacked bidirectional long short-term memory network (BiLSTM) based model architecture to predict the intensity of a tropical cyclone in terms of Maximum surface sustained wind speed (MSWS). The proposed model can predict MSWS well advance in time (up to 72 h) with very high accuracy. We have applied the model on tropical cyclones in the North Indian Ocean from 1982 to 2018 and checked its performance on two recent tropical cyclones, namely, Fani and Vayu. The model predicts MSWS (in knots) for the next 3, 12, 24, 36, 48, 60, and 72 hours with a mean absolute error of 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, and 11.92, respectively.

研究の動機と目的

• 北インド洋における熱帯低気圧が引き起こす社会的・経済的損失を軽減するため、長期的な熱帯低気圧強度予測の精度を向上させること。
• 従来の統計的・数値的モデルがしばしば精度と計算効率に欠けるという問題を解決すること。
• 複数の将来時刻における最大持続風速（MSWS）の連続的変化を予測できる深層学習モデルの開発。
• 高時間分解能で72時間先までのMSWSを予測することで、早期かつ正確な警報を可能にすること。
• BiLSTMネットワークが、時系列的な気象特徴量からの熱帯低気圧の進化における複雑で非線形な時間的依存関係を効果的に捉えることができることを示すこと。

提案手法

• スタックド双方向LSTM（BiLSTM）ネットワークを用いて、熱帯低気圧の時系列気象データをモデル化する。
• 入力特徴量には、緯度、経度、MSWS、推定中心気圧、距離、方位、および定期的な時間間隔での海面水温（SST）が含まれる。
• モデルは、過去の観測系列を入力として用い、最大72時間先の将来のMSWS値を予測するように学習する。
• 双方向処理を活用することで、時系列データにおける過去および未来の文脈を捉え、時間的表現学習を向上させる。
• モデル学習には平均絶対誤差（MAE）および平均二乗誤差（RMSE）を最適化目的関数とし、評価には5分割交差検証を用いる。
• 汎化性能のテストとして、学習データに含まれなかった2つの最近の低気圧（FaniおよびVayu）を用いてモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 BiLSTMベースのモデルは、72時間先までの長期的な未来時系列においても、高い精度で熱帯低気圧の強度を予測できるか？
• RQ2 急激な強化や安定化といった、熱帯低気圧強度の急激な変化をモデルはどの程度正しく捉えられるか？
• RQ3 入力に使用する過去の時刻点数を増やすことで、将来のMSWS予測精度が顕著に向上するか？
• RQ4 FaniやVayuのような学習データに含まれない低気圧に対しても、モデルは良好な汎化性能を示せるか？
• RQ5 複数の将来時刻において、従来の統計的・数値的手法と比較して、MAEおよびRMSEの観点からモデルの性能はどのように異なるか？

主な発見

• 3時間予測では、MSWSの平均絶対誤差（MAE）が1.52ノットにまで低下し、72時間予測では11.92ノットにまで上昇する。
• 24時間先までの予測では、MAEが6ノット未満を維持しており、これはMSWS分類における15ノットの範囲に対応し、低気圧の強度等級（≥3）の信頼性ある予測が可能であることを示している。
• 長期間予測（例：72時間）においても、MAEが急激に上昇するのではなく、徐々に増加するため、安定した長期予測能力を有していることが示された。
• FaniおよびVayuの低気圧において、強度上昇および安定化の傾向を効果的に捉え、訓練データの強度パターンが一貫していなくても正確な予測が可能であった。
• 入力系列長（T₁）を4から8時刻点に増加させた場合、MAEは1.54から1.52にわずかに改善にとどまり、初期の時刻点からほとんどすべての情報を学習していることが示された。これにより、計算負荷の低減が可能である。
• 単一時刻点の予測手法に比べ、複数の将来時刻にわたる予測精度を統合的に提供できるため、運用上の早期警報システムに適した性能を示している。