[論文レビュー] Skillful Precipitation Nowcasting using Deep Generative Models of Radar

Suman Ravuri, Karel Lenc+18 more|arXiv (Cornell University)|Apr 2, 2021

Meteorological Phenomena and Simulations参考文献 46被引用数 30

ひとこと要約

本論文は、レーダーからの降水の確率的で高解像度な現在予報のための深層生成モデルを導入し、広い地域にわたり現実的で非ブレのない予報を最大90分先まで提供し、専門の気象予報士によって評価される。

ABSTRACT

Precipitation nowcasting, the high-resolution forecasting of precipitation up to two hours ahead, supports the real-world socio-economic needs of many sectors reliant on weather-dependent decision-making. State-of-the-art operational nowcasting methods typically advect precipitation fields with radar-based wind estimates, and struggle to capture important non-linear events such as convective initiations. Recently introduced deep learning methods use radar to directly predict future rain rates, free of physical constraints. While they accurately predict low-intensity rainfall, their operational utility is limited because their lack of constraints produces blurry nowcasts at longer lead times, yielding poor performance on more rare medium-to-heavy rain events. To address these challenges, we present a Deep Generative Model for the probabilistic nowcasting of precipitation from radar. Our model produces realistic and spatio-temporally consistent predictions over regions up to 1536 km x 1280 km and with lead times from 5-90 min ahead. In a systematic evaluation by more than fifty expert forecasters from the Met Office, our generative model ranked first for its accuracy and usefulness in 88% of cases against two competitive methods, demonstrating its decision-making value and ability to provide physical insight to real-world experts. When verified quantitatively, these nowcasts are skillful without resorting to blurring. We show that generative nowcasting can provide probabilistic predictions that improve forecast value and support operational utility, and at resolutions and lead times where alternative methods struggle.

研究の動機と目的

• 従来のレーダー・アドベクションと制約のない深層学習による現在予報手法の限界に対処する。
• 現実的で時空間的一貫性のある降水の現在予報を生成する確率的・生成モデルを開発する。
• 実際の意思決定に有用な予測を生み出す運用上の有用性と精度を示す。

提案手法

• レーダーを用いた降水現在予報のための深層生成モデルを開発する。
• 不確実性や稀なイベントを捉える確率的予報を提供する。
• 大型地域（最大で 1536 km × 1280 km）およびリードタイム（5–90 分）にわたって時空間的一貫性を保証する。
• 正確性・実用性・物理的妥当性を評価するために、専門の予報士と比較して予報を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、長いリードタイムでもスキルを維持する確率的で非ブレのない現在予報を生み出せるか。
• RQ2 従来法と比較して、生成現在予報は運用上の価値と物理的洞察を改善するか。
• RQ3 広範な地理スケールと異なる降水強度に対して、予報が実務的な予報士にとって正確で有用であるか。

主な発見

• 生成モデルは、最大で 1536 km × 1280 km の地域において、リードタイム 5–90 分の現実的で時空間的一貫性のある予測を生成する。
• Met Office の予報士50人超を対象とした正式評価で、2つの競合手法に対して、正確性と有用性の点で88%のケースで1位にランク付けされた。
• 定量的検証は、過度なブレを生じさせず、スキルの高い現在予報を示し、予測値を高める確率的予報を提供する。
• 生成現在予報は、他の手法が苦戦する規模で、確率的予測と運用上の有用性の両方を改善する。