[論文レビュー] Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data

George Miloshevich, Bastien Cozian+3 more|arXiv (Cornell University)|Aug 1, 2022

Meteorological Phenomena and Simulations被引用数 8

ひとこと要約

本稿では、8,000年分の気候モデルシミュレーションで訓練された畳み込みニューラルネットワーク（CNN）を用いた深層学習フレームワークを提案し、フランスにおける極端な14日間の熱波の確率的予測を行う。速い動的駆動要因（500 hPaジオポテンシャル高度）に対しては予測精度が15日先まで達し、遅い駆動要因（土壌水分）に対してはさらに長いリードタイムを達成する。また、従来手法が失敗するデータが乏しい状況でも有効である。

ABSTRACT

Understanding extreme events and their probability is key for the study of climate change impacts, risk assessment, adaptation, and the protection of living beings. Forecasting the occurrence probability of extreme heatwaves is a primary challenge for risk assessment and attribution, but also for fundamental studies about processes, dataset and model validation, and climate change studies. In this work we develop a methodology to build forecasting models which are based on convolutional neural networks, trained on extremely long climate model outputs. We demonstrate that neural networks have positive predictive skills, with respect to random climatological forecasts, for the occurrence of long-lasting 14-day heatwaves over France, up to 15 days ahead of time for fast dynamical drivers (500 hPa geopotential height fields), and also at much longer lead times for slow physical drivers (soil moisture). This forecast is made seamlessly in time and space, for fast hemispheric and slow local drivers. We find that the neural network selects extreme heatwaves associated with a North-Hemisphere wavenumber-3 pattern. The main scientific message is that most of the time, training neural networks for predicting extreme heatwaves occurs in a regime of lack of data. We suggest that this is likely to be the case for most other applications to large scale atmosphere and climate phenomena. For instance, using one hundred years-long training sets, a regime of drastic lack of data, leads to severely lower predictive skills and general inability to extract useful information available in the 500 hPa geopotential height field at a hemispheric scale in contrast to the dataset of several thousand years long. We discuss perspectives for dealing with the lack of data regime, for instance rare event simulations and how transfer learning may play a role in this latter task.

研究の動機と目的

• データが乏しい状況下でも極端な熱波の確率的予測が可能な機械学習フレームワークの開発。
• 過去の観測データが稀な出来事象に不足する状況下で、長期間の気候シミュレーションで訓練されたディープラーニングモデルの予測精度を評価すること。
• 熱波発生における速い（動的）および遅い（熱力学的）大気駆動要因の役割を調査すること。
• 500 hPaジオポテンシャル高度および土壌水分に加えて、2 m温度場が予測精度に追加の価値をもたらすかどうかを評価すること。
• 短い訓練データセット（例：100年）と長いデータセット（数千年）の間で、稀な出来事象の統計を捉える能力にどのような差が生じるかを検討すること。

提案手法

• 8,000年分のPlaSim気候モデル出力を用いて、3次元U-Netベースの畳み込みニューラルネットワークを訓練し、14日間の熱波発生確率を予測する。
• 主な予測変数として500 hPaジオポテンシャル高度および土壌水分を用い、2 m温度を二次的なテスト変数として用いる。
• 不確実性の定量化と予測の信頼性を確保するため、確率的損失関数を用いてモデルを訓練する。
• 気候的ベースラインと比較して予測を検証し、ランク確率スコアおよびブライアスコアを用いて予測精度を評価する。
• データが乏しい極端な出来事象のモデリングに対処するため、トランスファー学習および稀な出来事象シミュレーション戦略を実装する。
• モデルの解釈可能性ツールを用いて、熱波発生に関連する物理的パターン（例：波数3構造）を同定する。

(a)

実験結果

リサーチクエスチョン

• RQ1 長期間の気候シミュレーションで訓練された畳み込みニューラルネットワークは、観測データが限られる状況下でも、極端な熱波の信頼性のある確率的予測を提供できるか？
• RQ2 特に100年分と数千年分のデータセットを比較した場合、訓練データセットの長さがモデルの予測精度にどのように影響するか？
• RQ3 速い動的駆動要因（例：500 hPaジオポテンシャル高度）と遅い熱力学的駆動要因（例：土壌水分）の間で、熱波予測への寄与度はどのように異なるか？
• RQ4 2 m温度場の追加が、500 hPaジオポテンシャル高度および土壌水分に加えて、熱波予測精度を向上させるか？
• RQ5 訓練されたモデルが示す物理的パターン（例：ロスビー波構造）の中で、極端な熱波発生を最もよく予測するのはどれか？

主な発見

• 速い動的駆動要因（500 hPaジオポテンシャル高度）に対しては、15日先まで著しい予測精度を示し、気候的ベースラインを上回る。遅い駆動要因（土壌水分）に対してはさらに長いリードタイムで有効である。
• 100年分のデータセットで訓練した場合、北半球スケールの500 hPaジオポテンシャル高度フィールドからの有用な情報抽出が著しく制限され、8,000年分のデータセットで訓練した場合と比べて予測精度が著しく低下する。
• 数千年分のデータセットで訓練しても、北半球スケールのジオポテンシャル高度フィールドからの予測精度は収束せず、依然としてデータの乏しさに起因する課題が残存している。
• モデルは、極端な熱波の予測において、北半球の波数3パターンが重要な予測要因であると同定し、これが持続的な高気圧異常と関連していることを示した。
• 2 m温度フィールドは、500 hPaジオポテンシャル高度および土壌水分フィールドにすでに捉えられている情報を追加で提供しない。
• 本研究は、熱波を含む大多数の大規模気候現象が、深刻なデータの乏しさの状況下で訓練されていることを示し、長期間のシミュレーションデータセット、またはトランスファー学習や稀な出来事象シミュレーションといった高度な技術の導入が不可欠であることを示した。

(b)