[論文レビュー] Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks

Lasse Espeholt, Shreya Agrawal+8 more|arXiv (Cornell University)|Nov 14, 2021

Meteorological Phenomena and Simulations被引用数 40

ひとこと要約

MetNet-2 は、降水予報を最大12時間先まで行う確率的ニューラルネットワークで、CONUS における最先端の物理ベースモデル HRRR および HREF より優れたスキルを達成し、大気シミュレーションに依存しない。大きな文脈、リードタイム条件付け、モデル並列化を用いて、1 km2 の予報を 1 km 解像度で提供する。

ABSTRACT

The problem of forecasting weather has been scientifically studied for centuries due to its high impact on human lives, transportation, food production and energy management, among others. Current operational forecasting models are based on physics and use supercomputers to simulate the atmosphere to make forecasts hours and days in advance. Better physics-based forecasts require improvements in the models themselves, which can be a substantial scientific challenge, as well as improvements in the underlying resolution, which can be computationally prohibitive. An emerging class of weather models based on neural networks represents a paradigm shift in weather forecasting: the models learn the required transformations from data instead of relying on hand-coded physics and are computationally efficient. For neural models, however, each additional hour of lead time poses a substantial challenge as it requires capturing ever larger spatial contexts and increases the uncertainty of the prediction. In this work, we present a neural network that is capable of large-scale precipitation forecasting up to twelve hours ahead and, starting from the same atmospheric state, the model achieves greater skill than the state-of-the-art physics-based models HRRR and HREF that currently operate in the Continental United States. Interpretability analyses reinforce the observation that the model learns to emulate advanced physics principles. These results represent a substantial step towards establishing a new paradigm of efficient forecasting with neural networks.

研究の動機と目的

• 物理ベースのHPC駆動型短期気象予報に代替となるニューラルネットワークアプローチを動機づける。
• 1 km × 1 km の空間解像度で、最大12時間先まで降水予報を行えるモデルを開発する。
• 大きな文脈とリードタイム条件付けが、外挿や現在予報を超えたスキルフルな予報を実現できることを示す。
• 大気シミュレーションに依存せず、不確実性を定量化する確率的予報を示す。

提案手法

• MetNet-2 を開発する。降水量の離散分布を512カテゴリにビンニングして予測する確率的ディープネットワーク。
• 大規模な文脈を捉えるために2048 km × 2048 km の入力文脈と、512 km × 512 km のターゲットパッチを使用する。
• 層を跨いで受容野を指数的に拡張する指数的ダイレーション畳込みを用いる。
• 一-hot 埋め込みによるリードタイム条件付けを組み込み、畳込み層を乗法的および加法的に調整する。
• 大規模な文脈とターゲットパッチを扱うために、16 TPU コアに渡るモデル並列を適用する。
• HRRR などの物理ベースのアンサンブルモデルと比較して、入力を出力分布へ mapping するために、レーダー、HRRR の同化状態、衛星画像、地上観測データなどで訓練する。

実験結果

リサーチクエスチョン

• RQ1 MetNet-2 は CONUS 地域における 12 時間降水予報に対して、物理ベースの短期予報（HRRR/HREF）を上回るか？
• RQ2 ニューラルネットワークは明示的な大気シミュレーションに依存せず、現実的な確率予報と不確実性を学習できるか？
• RQ3 入力文脈サイズとリードタイム条件付けは予報スキルと不確実性の定量化にどう影響するか？
• RQ4 NWP予報とポストプロセスまたはハイブリッド化した MetNet-2 変種は、特に長いリードタイムで追加利益を提供するか？
• RQ5 モデルはデータからどのような物理的メカニズムやパターンを模倣して学習しているか（例：上層大気ダイナミクスの側面）？

主な発見

• MetNet-2 は、12 時間までのインスタントおよび時間ごとの累積降水量の両方の指標において、範囲内で HRRR および HREF を上回る。
• MetNet-2 は確率指標（CRPS、CRPSS、Brier Score）およびカテゴリ指標（CSI）で、物理ベースのアンサンブルモデルよりも優れたスコアを示す。
• モデルの性能は、降水パターンが異なる多様な地域でも強力であり、物理ベースのポストプロセスおよびハイブリッドと比較しても利得が持続する。
• リードタイム条件付けと大きな文脈は不可欠であり、リードタイム条件付けを除去したり、ダイレーションを制限すると性能が低下する。
• Integrated Gradients を用いた分析は、モデルが物理に類似したパターンに依存することを示しており（例：リードタイムが長くなると上位レベルの渦度の関連性が高まる）、大気物理学を模倣して学習していることを示唆する。