[論文レビュー] On some limitations of data-driven weather forecasting models

Massimo Bonavita|arXiv (Cornell University)|Sep 15, 2023

Meteorological Phenomena and Simulations被引用数 8

ひとこと要約

要約: 本論文はデータ駆動型天気予報（例：Pangu-Weather）における忠実度および物理的一貫性を分析し、機械学習モデルは特定の応用には価値を加える可能性がある一方で、物理ベースのモデルと比較して忠実度と物理的一貫性が欠ける可能性があり、伝統的な予報スキルの解釈に影響を与える、という主張を行う。

ABSTRACT

As in many other areas of engineering and applied science, Machine Learning (ML) is having a profound impact in the domain of Weather and Climate Prediction. A very recent development in this area has been the emergence of fully data-driven ML prediction models which routinely claim superior performance to that of traditional physics-based models. In this work, we examine some aspects of the forecasts produced by an exemplar of the current generation of ML models, Pangu-Weather, with a focus on the fidelity and physical consistency of those forecasts and how these characteristics relate to perceived forecast performance. The main conclusion is that Pangu-Weather forecasts, and possibly those of similar ML models, do not have the fidelity and physical consistency of physics-based models and their advantage in accuracy on traditional deterministic metrics of forecast skill can be at least partly attributed to these peculiarities. Balancing forecast skill and physical consistency of ML-driven predictions will be an important consideration for future ML models. However, and similarly to other modern post-processing technologies, the current ML models appear to be already able to add value to standard NWP output for specific forecast applications and combined with their extremely low computational cost during deployment, are set to provide an additional, useful source of forecast information. .

研究の動機と目的

• データ駆動型天気予報を従来のスキル指標以上に評価する動機づけ。
• ML予報の忠実度を物理ベースモデルと比較して評価する。
• データ駆動予測の物理的一貫性を検討し、信頼できる予報への影響を評価する。
• 限界があるにもかかわらず、特定の応用に対してMLモデルが価値を付加できる点を特定する。

提案手法

• データ駆動型の模範モデル（Pangu-Weather）による予報を検討する。
• 気象予報の文脈でML予報の忠実度と物理的一貫性を評価する。
• ML予報の特性を物理ベースモデルの期待と比較する。
• 低計算コストと後処理が予報の有用性に与える影響を論じる。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型天気予報は物理ベースモデルと同等の忠実度を示すか。
• RQ2 予報は確立された大気力学と保存則と物理的に一貂しているか。
• RQ3 MLモデルの見かけの予報スキルはその忠実度と物理的一貫性とどう関係するか。
• RQ4 限界があってもMLモデルは特定の応用のために有用な追加予報情報を提供できるか。

主な発見

• ML予報は物理ベースのモデルと比べて忠実度と物理的一貫性に欠ける可能性がある。
• 伝統的な決定論的スキル指標でMLモデルの利点が、真の物理的正確さというよりもこれらの特性を反映している部分がある可能性。
• ML予報は特定の予報アプリケーションに価値を付加できる場合がある。
• ML導入の非常に低い計算コストは、標準のNWP出力と組み合わせた場合、予報情報の追加ソースとしての利用を支持する。