[論文レビュー] Purely data-driven medium-range weather forecasting achieves comparable skill to physical models at similar resolution

Stephan Rasp, Nils Thuerey|arXiv (Cornell University)|Aug 19, 2020

Meteorological Phenomena and Simulations参考文献 13被引用数 14

ひとこと要約

本研究では、気候モデルの出力で事前学習し、再解析データで微調整することで、明示的な物理方程式を用いずに物理的に妥当な大気の力学を学習する大規模な、完全にデータ駆動の深層学習モデルが、同程度の解像度の物理モデルと同等の中期予報精度を達成できることを示している。

ABSTRACT

Numerical weather prediction has traditionally been based on physical models of the atmosphere. Recently, however, the rise of deep learning has created increased interest in purely data-driven medium-range weather forecasting with first studies exploring the feasibility of such an approach. Here, we train a significantly larger model than in previous studies to predict geopotential, temperature and precipitation up to 5 days ahead and achieve comparable skill to a physical model run at similar horizontal resolution. Crucially, we pretrain our models on historical climate model output before fine-tuning them on the reanalysis data. We also analyze how the neural network creates its predictions and find that, with some exceptions, it is compatible with physical reasoning. Our results indicate that, given enough training data, data-driven models can compete with physical models. At the same time, there is likely not enough data to scale this approach to the resolutions of current operational models.

研究の動機と目的

• 完全にデータ駆動のモデルが、同程度の解像度の物理モデルと同等の予報精度を達成できるかどうかを調査すること。
• 再解析データの微調整の前に気候モデルの出力で事前学習することの影響を評価すること。
• ニューラルネットワークが学習した表現が物理的大気力学と整合しているかどうかを評価すること。
• データ量と解像度の観点から、データ駆動型予報のスケーラビリティの限界を特定すること。

提案手法

• 大規模な深層学習モデルを、事前学習のために歴史的な気候モデル出力でエンドツーエンドに訓練する。
• 再解析データで微調整することで、実際の大気状態における精度を向上させる。
• モデルは、過去の大気状態の場の入力のみを用いて、最大5日先のジオポテンシャル、温度、降水量を予測する。
• モデルのアーキテクチャは、大規模な大気パターンにおける空間的・時間的依存関係を捉えるように設計されている。
• 予測の物理的整合性は、解釈可能性分析と既知の大気力学との比較を通じて評価される。
• モデルの性能は、同じ水平解像度の物理モデルと比較してベンチマークされる。

実験結果

リサーチクエスチョン

• RQ1 完全にデータ駆動のモデルが、同程度の解像度の物理モデルと同等の予報精度を達成できるか？
• RQ2 気候モデルの出力で事前学習することで、再解析データに対する汎化性能と予測精度が向上するか？
• RQ3 ニューラルネットワークの内部表現および予測メカニズムが、気象学における物理的推論と整合しているか？
• RQ4 データ駆動型モデルを運用予報レベルまでスケーリングするのを妨げるデータ量と解像度の制限は何か？

主な発見

• データ駆動型モデルは、同じ水平解像度の物理モデルと同等の予報精度を達成している。
• 気候モデルの出力で事前学習することで、ランダム初期化からの訓練に比べてモデルの性能が顕著に向上している。
• モデルの予測メカニズムは、特に大規模な循環パターンにおいて、物理的大気力学と強い整合性を示している。
• 中程度の解像度では高い精度を達成しているが、現在の運用用物理モデルが使用する解像度までスケーリングできないのは、訓練データが不十分なためである。
• 十分な訓練データが利用可能な場合、データ駆動型モデルが物理モデルの性能を再現できることを示唆している。