[論文レビュー] Short-range forecasts of global precipitation using deep learning-augmented numerical weather prediction

Manmeet Singh, S. B. Vaisakh+6 more|arXiv (Cornell University)|Jun 23, 2022

Meteorological Phenomena and Simulations被引用数 9

ひとこと要約

この論文は、CFSv2グローバルNWPモデルの降水量バイアスを補正するためのハイブリッド深層学習拡張型数値 wea ther予測モデルDeepNWPを提案する。ERA5再解析データを真値として用い、球面幾何を保つために修正されたDLWP-CS UNETアーキテクチャと立方体球面投影を適用することで、グローバルな陸上降水量バイアスをCFSv2の+5〜+7 mm/dayから-1〜+1 mm/dayに低減し、極端な気象イベントを含む1日、2日、3日先の短期予報において顕著な改善を達成した。

ABSTRACT

Precipitation governs Earth's hydroclimate, and its daily spatiotemporal fluctuations have major socioeconomic effects. Advances in Numerical weather prediction (NWP) have been measured by the improvement of forecasts for various physical fields such as temperature and pressure; however, large biases exist in precipitation prediction. We augment the output of the well-known NWP model CFSv2 with deep learning to create a hybrid model that improves short-range global precipitation at 1-, 2-, and 3-day lead times. To hybridise, we address the sphericity of the global data by using modified DLWP-CS architecture which transforms all the fields to cubed-sphere projection. Dynamical model precipitation and surface temperature outputs are fed into a modified DLWP-CS (UNET) to forecast ground truth precipitation. While CFSv2's average bias is +5 to +7 mm/day over land, the multivariate deep learning model decreases it to within -1 to +1 mm/day. Hurricane Katrina in 2005, Hurricane Ivan in 2004, China floods in 2010, India floods in 2005, and Myanmar storm Nargis in 2008 are used to confirm the substantial enhancement in the skill for the hybrid dynamical-deep learning model. CFSv2 typically shows a moderate to large bias in the spatial pattern and overestimates the precipitation at short-range time scales. The proposed deep learning augmented NWP model can address these biases and vastly improve the spatial pattern and magnitude of predicted precipitation. Deep learning enhanced CFSv2 reduces mean bias by 8x over important land regions for 1 day lead compared to CFSv2. The spatio-temporal deep learning system opens pathways to further the precision and accuracy in global short-range precipitation forecasts.

研究の動機と目的

• 特に陸上において継続的な大きなバイアスを示すグローバル数値気象予測（NWP）モデルの降水量バイアスを是正すること。
• 物理的整合性に欠け、数十年にわたるNWPの進歩を活用できない純粋な深層学習モデルの限界を克服すること。
• 動的モデルを置き換えることなく、NWPの出力と最先端の深層学習を統合するハイブリッドフレームワークを構築し、予報精度を向上させること。
• 深層学習で球面地球データをモデル化する課題に取り組むために、修正されたDLWP-CSアーキテクチャと立方体球面投影を用いること。
• 多様な極端な気象イベントにおいて、グローバルな短期降水量予報のスキルが顕著に向上することを実証すること。

提案手法

• ベースとなるNWPモデルとして、大気および地表面温度場を入力とするカップルド・フォーキャスト・システムバージョン2（CFSv2）を用いる。
• 降水量の真値として、空間的・時間的解像度が高く、観測の忠実度に優れるERA5再解析データを採用する。
• 球面幾何を保持し、空間一般化を向上させるために、グローバル気象場を立方体球面投影に変換する修正されたDLWP-CS UNETアーキテクチャを適用する。
• エンド・トゥ・エンド学習を用いて、CFSv2の降水量および地表面温度出力をERA5観測降水量場にマッピングする深層学習モデルを訓練する。
• バイアス補正の精度を向上させるために、降水量と温度場の両方を入力として活用する多変量深層学習アプローチを採用する。
• CFSv2およびERA5と比較して、複数の極端な気象イベントにおいて1日、2日、3日先のリードタイムでハイブリッドモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、グローバルな陸上地域におけるCFSv2 NWPモデルの大きな降水量バイアスを効果的に低減できるか？
• RQ2 立方体球面投影による球面幾何の統合は、グローバル気象データに対する深層学習の性能をどのように向上させるか？
• RQ3 ハイブリッドDeepNWPモデルは、ハリケーンや洪水などの極端な降水量予報において、単独のCFSv2を上回る性能を示すか？
• RQ4 深層学習補正は、系統的な誤差を低減する一方で、NWP出力の物理的整合性を保持または強化するか？
• RQ5 このハイブリッド手法は、熱帯低気圧や中緯度の洪水を含む多様な気候帯および極端な気象システムに一般化可能か？

主な発見

• DeepNWPモデルは、CFSv2のグローバルな陸上降水量バイアスを、リードタイムにかかわらず+5〜+7 mm/dayから-1〜+1 mm/dayに低減した。
• ハリケーン・カティーナの事例では、1日先リードタイムでCFSv2のバイアス8.839 mm/dayを、ERA5基準で-0.345 mm/dayに低減した。
• サイクロン・ナーギスの事例では、1日先リードタイムでCFSv2のバイアス21.151 mm/dayを-5.37 mm/dayに低減し、より長いリードタイムでも改善が継続した。
• 2010年中央ヨーロッパ洪水の事例では、1日先リードタイムでCFSv2のバイアス6.654 mm/dayを-0.2 mm/dayに低減した。
• 6件の事例すべてにおいて、DeepNWPはCFSv2と比較してバイアスを80%以上低減し、平均絶対誤差の改善は50%を超えた。
• モデルは、熱帯低気圧、中緯度の洪水、モンスーン関連の現象を含む多様な気象システムにおいて、強固な性能を示した。