[論文レビュー] Prediction of typhoon tracks using a generative adversarial network with observational and meteorological data

Mario Rüttgers, Sang-Seung Lee+1 more|arXiv (Cornell University)|Dec 5, 2018

Tropical and Extratropical Cyclones Research参考文献 14被引用数 3

ひとこと要約

本研究では、人工衛星画像と再分析気象データを融合して、6時間先の台風進路を予測する条件付き生成対抗ネットワーク（cGAN）を提案する。海面水温や地表面気圧といった物理的に意味のある変数を組み込むことで、平均中心予測誤差を29.7％削減し、67.2 kmまで低減し、画像のシャープネスが向上することで、台風中心位置と動的雲構造の両方の予測が高精度で可能になる。

ABSTRACT

Tracks of typhoons are predicted using a generative adversarial network (GAN) with observational data in form of satellite images and meteorological data from a reanalysis database. Time series of images of typhoons which occurred in the Korean Peninsula in the past are used to train the neural network. The trained GAN is employed to produce a 6-hour-advance track of a typhoon for which the GAN was not trained. The predicted image favorably identifies the future location of the typhoon center as well as the deformed cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 65.5 % of all typhoon center predictions have an error of less than 80 km, 31.5 % lie within a range of 80 - 120 km and the remaining 3.0 % are above 120 km. The overall error is 67.2 km, compared to 95.6 km when only observational data are used as input. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. It is found that adding physically meaningful meteorological data to satellite images improves the sharpness of predicted images.

研究の動機と目的

• 観測用人工衛星データと物理的に意味のある気象再分析データを統合することで、台風進路予測の精度を向上させること。
• 動的大気変数の組み込みにより、GANで生成された台風予測画像のぼやけを低減すること。
• 人工衛星データ＋再分析データというマルチモーダル入力を用いた場合、台風中心の移動と雲の運動ダイナミクスの両方の予測に与える影響を評価すること。
• 韓国半島に影響を及ぼした未学習の台風に対して、モデルの性能を6時間先の予測に焦点を当てて評価すること。
• 再分析データが生成された台風画像の現実性と時間的整合性を向上させるかどうかを特定すること。

提案手法

• 66個の韓国半島に影響を及ぼした台風の、時系列に整列した人工衛星画像と再分析気象データを用いて、条件付きGAN（cGAN）を学習する。
• 入力には、4枚の連続する人工衛星画像と、対応する再分析データ（例：海面水温、地表面気圧、200 mbレベルでの風速）が含まれる。
• 生成器ネットワークは6時間先の台風画像を生成し、識別器は生成出力の現実性と空間的一致性を評価する。
• 損失関数には、標準的なGAN損失に加え、VGGベースの知覚的損失と勾配損失（GDL）を組み合わせ、ぼやけを低減し、構造的忠実性を向上させる。
• モデル学習には1993年以降のデータを用い、一般化性能を評価するために10個の未学習の台風をテストに使用する。
• 気象データは、物理的に一貫した大気状態を提供するECMWF ERA-Interim再分析データベースから取得する。

実験結果

リサーチクエスチョン

• RQ1 人工衛星画像に加えて再分析気象データを組み合わせることで、単に人工衛星画像のみを用いた場合と比較して、6時間先の台風中心位置予測の精度が向上するか。
• RQ2 物理的大気変数の組み込みが、GANで生成された台風予測画像におけるぼやけをどの程度低減するか。
• RQ3 生成された画像において、雲の回転、眼壁形成、ジェット気流の影響といった動的特徴を、どの程度正確に予測できるか。
• RQ4 訓練データに含まれない台風、特に急激なコース変更や上陸を示す複雑な行動を示す台風に対しても、モデルは一般化できるか。
• RQ5 入力構成（例：人工衛星画像の枚数、再分析データの有無）の違いが、予測性能にどのように影響するか。

主な発見

• 再分析データの組み込みにより、平均台風中心予測誤差が95.6 kmから67.2 kmにまで低下し、29.7％の改善が達成された。
• 予測された台風中心位置の65.5％が80 km未満の誤差に収束したが、これは、単に人工衛星画像のみを用いた従来モデルの42.4％と比較して顕著な向上である。
• 誤差が120 kmを超える予測は3.0％にまで低下したが、これは従来モデルの25.5％から著しく改善された結果であり、信頼性の向上が示された。
• モデルは、台風の回転運動、雲構造の変形、ジェット気流の影響といった動的特徴を、生成画像で的確に捉えることに成功した。
• 再分析データの追加により、特に眼壁部や外側雲域において、画像のシャープネスと現実性が顕著に向上した。
• 未学習の台風に対しても、特に上陸や急激な強化といった複雑な行動の予測において、より優れた一般化性能を示した。