[論文レビュー] Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison

Benedikt Schulz, Sebastian Lerch|arXiv (Cornell University)|Jun 17, 2021

Meteorological Phenomena and Simulations参考文献 70被引用数 106

ひとこと要約

本稿では、ドイツ気象局の6年間の高分解能データを用いて、アンサンブル風速突風予報のための8種類の統計的および機械学習手法の体系的比較を提案している。神経ネットワークベースの手法—特に追加の気象予報変数を組み込んだ柔軟で局所的に適応可能なフレームワーク—が、特に日周期の境界層遷移に関連する物理的に整合性のある関係を学習することで、従来の手法を著しく上回ることを示している。

ABSTRACT

Postprocessing ensemble weather predictions to correct systematic errors has become a standard practice in research and operations. However, only few recent studies have focused on ensemble postprocessing of wind gust forecasts, despite its importance for severe weather warnings. Here, we provide a comprehensive review and systematic comparison of eight statistical and machine learning methods for probabilistic wind gust forecasting via ensemble postprocessing, that can be divided in three groups: State of the art postprocessing techniques from statistics (ensemble model output statistics (EMOS), member-by-member postprocessing, isotonic distributional regression), established machine learning methods (gradient-boosting extended EMOS, quantile regression forests) and neural network-based approaches (distributional regression network, Bernstein quantile network, histogram estimation network). The methods are systematically compared using six years of data from a high-resolution, convection-permitting ensemble prediction system that was run operationally at the German weather service, and hourly observations at 175 surface weather stations in Germany. While all postprocessing methods yield calibrated forecasts and are able to correct the systematic errors of the raw ensemble predictions, incorporating information from additional meteorological predictor variables beyond wind gusts leads to significant improvements in forecast skill. In particular, we propose a flexible framework of locally adaptive neural networks with different probabilistic forecast types as output, which not only significantly outperform all benchmark postprocessing methods but also learn physically consistent relations associated with the diurnal cycle, especially the evening transition of the planetary boundary layer.

研究の動機と目的

• 風速突風のアンサンブル後処理に関する包括的な研究が不足しているという問題に取り組むこと。これは、激しい天候警報の重要な変数である。
• 確率的風速突風予報に特化した広範な統計的および機械学習手法の体系的比較を行うこと。
• 風速突風アンサンブル出力に加えて、追加の気象予報変数を組み込む影響を評価すること。
• 高度な機械学習モデルが、日周期に伴う境界層遷移に関連するような物理的に整合性のある関係を学習できるかを調査すること。
• 複数の確率的予報タイプをサポートできる柔軟でモジュラーな神経ネットワークベースの後処理フレームワークを提供すること。

提案手法

• 本研究では8種類の後処理手法を評価している：統計的手法3種（EMOS、MBM、IDR）、既存の機械学習手法2種（EMOS-GB、QRF）、神経ネットワークベースの手法3種（DRN、BQN、HEN）。
• すべての手法は、20メモリの対流許容型アンサンブル予測システム（COSMO-DE-EPS）とドイツの175の地上気象観測所から得た6年間の時間分解能1時間のデータで訓練されている。
• 神経ネットワークベースのフレームワーク（DRN、BQN、HEN）は、風速突風、温度、湿度、大規模な予報変数を入力特徴として用い、出力はパラメトリック分布から分位数関数、ヒストグラムまで多様である。
• 特徴量の重要度は順列重要度を用いて評価され、時間経過に伴う動的変化を可視化する。
• モデルは適切なスコアルール（例：CRPS）と信頼性図を用いて評価され、キャリブレーションと鋭さの両面を検証している。
• モジュラーで局所的に適応可能な設計により、複数の観測所とリードタイムにわたる統合的モデリングが可能となり、予報の一貫性が向上している。

実験結果

リサーチクエスチョン

• RQ1 異なる機械学習および統計的手法の風速突風予報における予測性能は、どのように比較されるか？
• RQ2 風速突風以外の追加の気象予報変数（例：温度、湿度、風速）を組み込むことで、どの程度予報精度が向上するか？
• RQ3 神経ネットワークベースのモデルは、日周期の境界層遷移に関連するような物理的に整合性のある関係を学習できるか？
• RQ4 特徴量の重要度パターンは、リードタイムやモデルによってどのように変化するか？また、それらは背後にある気象現象をどのように示唆するか？
• RQ5 柔軟でモジュラーな神経ネットワークフレームワークは、既存のベンチマーク手法を上回る性能を発揮できるか？物理的妥当性を保っているか？

主な発見

• すべての後処理手法が、生アンサンブル予報と比較して、キャリブレーションが向上し、系統的な誤差が著しく減少した。
• 温度、湿度、風速などの追加の気象予報変数を組み込むことで、すべての手法で予報精度が顕著に向上した。
• 神経ネットワークベースのモデル（DRN、BQN、HEN）は、CRPSと信頼性の両面で、すべてのベンチマーク手法を一貫して上回った。特にHENバージョンが最も優れた性能を示した。
• 提案されたモジュラーで局所的に適応可能な神経ネットワークフレームワークは、物理的に整合性のある関係を学習しており、特に境界層の夕方の遷移を的確に捉えている。
• 順列重要度分析の結果、風速突風アンサンブルの分散と温度関連の変数が最も影響力の高い予報変数であることが判明し、その重要度はリードタイムに応じて体系的に変化していた。
• DRN、BQN、HENモデルは、日周期や暴風関連のプロセスといった既知の気象ダイナミクスと整合する特徴量の重要度パターンを示しており、頑健性と適応性を示している。