[論文レビュー] Regional data-driven weather modeling with a global stretched-grid

Thomas N. Nipen, Håvard Homleid Haugen+12 more|arXiv (Cornell University)|Sep 4, 2024

Distributed and Parallel Computing Systems被引用数 5

ひとこと要約

グラフニューラルネットワークベースのデータ駆動気象モデルは、グローバルストレッチグリッドを用いてNordicsに対する地域解像度予報を提供（2.5 km）、ERA5とMEPSデータで訓練し、MEPSとIFSと比較評価する。境界なしの地域-全球結合をストレッチグリッドで強調。

ABSTRACT

A data-driven model (DDM) suitable for regional weather forecasting applications is presented. The model extends the Artificial Intelligence Forecasting System by introducing a stretched-grid architecture that dedicates higher resolution over a regional area of interest and maintains a lower resolution elsewhere on the globe. The model is based on graph neural networks, which naturally affords arbitrary multi-resolution grid configurations. The model is applied to short-range weather prediction for the Nordics, producing forecasts at 2.5 km spatial and 6 h temporal resolution. The model is pre-trained on 43 years of global ERA5 data at 31 km resolution and is further refined using 3.3 years of 2.5 km resolution operational analyses from the MetCoOp Ensemble Prediction System (MEPS). The performance of the model is evaluated using surface observations from measurement stations across Norway and is compared to short-range weather forecasts from MEPS. The DDM outperforms both the control run and the ensemble mean of MEPS for 2 m temperature. The model also produces competitive precipitation and wind speed forecasts, but is shown to underestimate extreme events.

研究の動機と目的

• 地域データ駆動モデルを活用してYrのような高解像度の公共サービスのための地域気象予測ニーズを動機づける。
• 地球規模のカバレッジを維持しつつ、地域領域で高解像度を集中させるグローバルストレッチグリッドアーキテクチャを開発する。
• ERA5とMEPSの歴史データでグラフニューラルネットワークベースのモデルを訓練・検証し、短期天気パラメータを予測する。
• ノルウェーおよび北欧のoperational NWPシステムと観測に対してモデルの精度と信頼性を評価する。

提案手法

• 入力グリッドデータを潜在的プロセッサメッシュへマップするエンコーダ-プロセッサ-デコーダアーキテクチャを持つグラフニューラルネットワークを使用し、多解像度リファインメントを行う。
• 地域解像度が高い（2.5 km）で、グローバル解像度が低いストレッチグリッドプロセッサメッシュを構築し、ドメイン間のシームレスな移動を可能にする。
• 4段階で訓練する：ERA5 100 km（Stage A）、ERA5 31 km（Stage B）、31 kmと2.5 kmの地域の組み合わせでのIFS+MEPS（Stage C）、24 h自己回帰ローアウト（Stage D）。
• 地域領域のポイントを重視する損失（全体損失の33%）を用い、地域面積が地球全体の1.2%でも平方誤差と変数ごとのウェイトを使用する。
• ERA5データの43年間で事前訓練を行い、その後MEPSデータで微調整して地域の高解像度情報を活用。

Figure 1: (a) Map with annotated grid points centered around the Nordics. Global grid points are green, regional grid points are gray. (b) Input grid on the boundary between global and regional domain. (c) The encoder processes information into a mesh node from the 12 nearest grid points. (d) The pr

実験結果

リサーチクエスチョン

• RQ1 グローバルストレッチグリッドデータ駆動モデルは、グローバルドメインとのシームレスな相互作用を維持しつつ、Nordicsで正確で高解像度の地域予報を提供できるか？
• RQ2 GNNベースのストレッチグリッドモデルは、同等のリードタイムでMEPSとIFSと比較して温度、風、降水予報でどのように性能を示すか？
• RQ3 ストレッチグリッドDDMの最良の地域性能を得る訓練戦略とデータソースは何か？
• RQ4 山岳地帯や沿岸気候特性を表現する際のこのアプローチの長所と制約は何か？

主な発見

• ストレッチグリッドDDMは、2 m温度のRMSEでMEPSコントロールをリードタイム全体で上回り、6 h降水量RMSEでも上回る。
• 風については、DDMはMEPSコントロールとアンサンブル平均と競合するが、より極端な閾値ではアンサンブル平滑化に対して劣る。
• DDMは地球規模と地域ドメイン間で天気系をシームレスに移動させる能力を示し、いくつかのケースでIFSとMEPSと同等の大規模特徴を持つ。
• モデルは温度の地域的性能が高い一方、極端な風と降水イベントを過小評価する傾向があり、極値改善には後処理やアンサンブルアプローチが有効かもしれない。
• ERA5グローバルデータで訓練し、その後MEPS地域データで微調整するのが最良の地域性能を示し、グローバルストレッチグリッド内で2.5 kmの地域解像度を使用。

Figure 2: Model training follows a four-stage procedure. First, the DDM is pre-trained on 43 years of ERA5 data with a global resolution of 100 km (stage A) and 31 km (stage B). In stage C, we combine the 31 km global IFS dataset with the 2.5 km regional MEPS dataset with a training period of 3.3 ye