[論文レビュー] MetNet: A Neural Weather Model for Precipitation Forecasting

Casper Kaae Sønderby, Lasse Espeholt+7 more|arXiv (Cornell University)|Mar 24, 2020

Meteorological Phenomena and Simulations参考文献 26被引用数 306

ひとこと要約

MetNetはレーダーと衛星入力を用い、1 km2の空間解像度と2分の時系列解像度で最大8時間先まで降水を予測し、軸方向自己注意機構を使用する。大陸US規模でNOAA HRRRを上回る。

ABSTRACT

Weather forecasting is a long standing scientific challenge with direct social and economic impact. The task is suitable for deep neural networks due to vast amounts of continuously collected data and a rich spatial and temporal structure that presents long range dependencies. We introduce MetNet, a neural network that forecasts precipitation up to 8 hours into the future at the high spatial resolution of 1 km$^2$ and at the temporal resolution of 2 minutes with a latency in the order of seconds. MetNet takes as input radar and satellite data and forecast lead time and produces a probabilistic precipitation map. The architecture uses axial self-attention to aggregate the global context from a large input patch corresponding to a million square kilometers. We evaluate the performance of MetNet at various precipitation thresholds and find that MetNet outperforms Numerical Weather Prediction at forecasts of up to 7 to 8 hours on the scale of the continental United States.

研究の動機と目的

• 大規模な領域において高い空間解像度と時間解像度で降水を予測できるニューラルネットワークの実証。
• 直接的な確率的予測が、物理 PDE ベースのモデリングを用いずに不確実性を捉えられることを示す。
• 気象予測における大規模な空間的文脈と高速・並列推論の利点を調査する。
• MetNetを従来のNWPシステムおよびベースラインと、最大8時間の先行時間にわたって比較する。

提案手法

• 1024x1024 km領域にわたるMRMSレーダー、GOES-16衛星データ、および静的な地理位置特徴を捉える4次元入力パッチを使用する。
• 入力特徴としてリードタイム情報をエンコードすることで、MetNetをターゲットリードタイムに条件付けする。
• 0から102.4 mm/hを0.2 mm/h刻みで表す降水量の512ビンカテゴリ分布を出力する。
• 各時刻スライスをSpatial Downsamplerで処理し、次にTemporal Encoder (ConvLSTM)で時間的ダイナミクスを捉える。
• グローバル受容野を効率的に達成するため、8層のaxial self-attention Spatial Aggregatorを適用する。
• 学習を安定化し不確実性を捉えるため、離散化されたターゲット分布で訓練する。

実験結果

リサーチクエスチョン

• RQ1 MetNetは大陸USにおける2–8時間の降水予測で、HRRRなどの運用NWPシステムを上回れるか？
• RQ2 様々な降水閾値に対して、空間的・時間的文脈を拡大することで予測精度はどう変化するか？
• RQ3 異なるリードタイムでのMetNetの性能に対するMRMSデータとGOES-16データの寄与はどの程度か？
• RQ4 ニューラル気象モデルはリアルタイム利用に適した実用的な待機時間で校正された確率予測を提供できるか？
• RQ5 NWMsにおける空間文脈と時間文脈、およびモデルアーキテクチャのトレードオフは何か？

主な発見

• MetNetは大陸USにおける2〜8時間予測で複数の閾値に対してHRRRを大幅に上回る。
• MetNetの性能はより大きな空間文脈で向上する。縮小文脈のアブレーションでは約150分程度のリードタイムを超えると劣化を示す。
• 短いリードタイムではMRMSデータの含有がより重要で、長いリードタイムではGOES-16データが相対的に有用になる。
• MetNetはリードタイムごとにほぼ秒単位の待機時間を達成し、リードタイムに関係なく並列計算を行う。
• MetNetはコンテキストと解像度のバランスをとるために1024x1024 kmの入力パッチと64x64 kmのターゲットパッチを使用する。
• アブレーション研究は、512 kmを超える空間文脈と最大90分までの時間文脈を捉えることの重要性を示している。