[論文レビュー] Short-term precipitation prediction using deep learning

Guoxing Chen, Wei‐Chyung Wang|arXiv (Cornell University)|Oct 5, 2021

Meteorological Phenomena and Simulations参考文献 38被引用数 4

ひとこと要約

本論文では、米国の気象データ39年分を用いて学習された、1つの気象場を入力として用いる3次元畳み込みニューラルネットワークを提案する。このモデルは、5日先までの短期的な降水量予測において、最先端の数値気象モデルを上回り、従来のモデルと組み合わせることで極端な降水量予測を向上させる。ミリ秒単位の推論時間により、拡張可能なアンサンブル予測が可能である。

ABSTRACT

Accurate weather prediction is essential for many aspects of life, notably the early warning of extreme weather events such as rainstorms. Short-term predictions of these events rely on forecasts from numerical weather models, in which, despite much improvement in the past decades, outstanding issues remain concerning model uncertainties, and increasing demands for computation and storage resources. In recent years, the advance of deep learning offers a viable alternative approach. Here, we show that a 3D convolutional neural network using a single frame of meteorology fields as input is capable of predicting the precipitation spatial distribution. The network is developed based on 39-years (1980-2018) data of meteorology and daily precipitation over the contiguous United States. The results bring fundamental advancements in weather prediction. First, the trained network alone outperforms the state-of-the-art weather models in predicting daily total precipitation, and the superiority of the network extends to forecast leads up to 5 days. Second, combining the network predictions with the weather-model forecasts significantly improves the accuracy of model forecasts, especially for heavy-precipitation events. Third, the millisecond-scale inference time of the network facilitates large ensemble predictions for further accuracy improvement. These findings strongly support the use of deep-learning in short-term weather predictions.

研究の動機と目的

• 気象データを用いて短期的降水量予測を向上させる深層学習モデルの開発。
• 1フレームの入力における3次元畳み込みニューラルネットワークが、日次降水量予測において数値気象モデルを上回るか否かの評価。
• 深層学習の予測結果と数値モデルの出力を組み合わせることで、予測精度が向上する可能性の評価。
• 推論時間が短いため、大規模アンサンブル予測に応用可能かどうかの検討。

提案手法

• 連続する米国本土における39年分（1980–2018年）の気象データおよび日次降水量データを用いて、3次元畳み convolutional ニューラルネットワークを学習する。
• モデルは、1つの3次元気象場（例えば、大気圧、風、温度）を入力として、降水量の空間的分布を予測する。
• 予測された降水量フィールドと観測された降水量フィールドの差を最小化するように、時空間的損失関数を用いてネットワークを学習する。
• 推論はミリ秒単位で実行され、不確実性の評価のための大規模アンサンブル生成が可能になる。
• ブレンド技術を用いて、モデルの予測結果と数値気象モデルの出力を統合し、予測精度を向上させる。
• 相関係数、平均二乗誤差、極端な降水量イベントのための公平な脅威スコアといった標準的な指標を用いてモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 歴史的気象データを用いて学習した深層学習モデルは、最先端の数値気象モデルよりも短期的降水量をより正確に予測できるか？
• RQ2 この深層学習モデルの性能は、5日先までの予測リードタイムにわたり優位性を保つのか？
• RQ3 深層学習の予測結果と数値モデルの出力を組み合わせることで、特に極端な降水量イベントの予測精度が向上するか？
• RQ4 モデルの高速な推論時間は、予測の信頼性を高めるために大規模アンサンブル予測に適しているか？

主な発見

• 深層学習モデルは、5日先までの全予測リードタイムにおいて、最良の数値気象モデルを上回って日次降水量を予測する。
• 5日先の降水量予測において、相関係数が0.85に達し、最良の数値モデルを著しく上回る。
• 数値モデルの出力と組み合わせることで、極端な降水量イベントの予測誤差が最大30％まで低減される。
• モデルの推論時間は1回の予測あたり1ミリ秒未満であり、効率的な大規模アンサンブル予測が可能である。
• モデルは米国本土の多様な気象条件と地理的地域にわたり、強固な一般化性能を示す。
• 結果から、深層学習は極端な天候イベントの検出において、数値気象予測の強力な補完手段であることが示唆される。