[論文レビュー] Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks

Tsuyoshi Thomas Sekiyama|arXiv (Cornell University)|Jul 20, 2020

Climate variability and models被引用数 8

ひとこと要約

本研究では、中央日本の5-kmメソスケール温度場への22-km統合スケール表面温度および風場の統計的ダウンスケーリングのための深層畳み込みニューラルネットワーク（DCNN）ベースのサーヴィエージュモデルを提案する。単一画像スーパーレゾリューション（SISR）を用いて、1000 m以上の標高地域において、ルート・マンス・スクエア・エラー（RMSE）を2.7 Kから1.0 Kに低減し、相関係数を0.6から0.9に向上させた。トレーニング後、計算コストが低く、地形特徴の高分解能再現が可能であることが示された。

ABSTRACT

Deep learning, particularly convolutional neural networks for image recognition, has been recently used in meteorology. One of the promising applications is developing a statistical surrogate model that converts the output images of low-resolution dynamic models to high-resolution images. Our study exhibits a preliminary experiment that evaluates the performance of a model that downscales synoptic temperature fields to mesoscale temperature fields every 6 hours. The deep learning model was trained with operational 22-km gridded global analysis surface winds and temperatures as the input, operational 5-km gridded regional analysis surface temperatures as the desired output, and a target domain covering central Japan. The results confirm that our deep convolutional neural network (DCNN) is capable of estimating the locations of coastlines and mountain ridges in great detail, which are not retained in the inputs, and providing high-resolution surface temperature distributions. For instance, while the average root-mean-square error (RMSE) is 2.7 K between the global and regional analyses at altitudes greater than 1000 m, the RMSE is reduced to 1.0 K, and the correlation coefficient is improved from 0.6 to 0.9 by the surrogate model. Although this study evaluates a surrogate model only for surface temperature, it probably can be improved by augmenting the downscaling variables and vertical profiles. Surrogate models of DCNNs require only a small amount of computational power once their training is finished. Therefore, if the surrogate models are implemented at short time intervals, they will provide high-resolution weather forecast guidance or environment emergency alerts at low cost.

研究の動機と目的

• 深層学習を用いた低コストで高分解能のメソスケール気象予報のためのサーヴィエージュモデルを開発すること。
• 深層畳み込みニューラルネットワーク（DCNN）が、統合スケール気象場をメソスケール解像度にダウンスケーリングする能力を評価すること。
• SISR技術が、山岳地帯や谷間のような複雑な地形において、高分解能温度分布を正確に再構成できるかどうかを評価すること。
• 訓練済みのDCNNモデルが、環境危険警報などのリアルタイムまたは緊急対応用途に利用可能かどうかを検討すること。
• 今後の垂直プロファイルや表面温度以外の複数大気変数への拡張の基盤を築くこと。

提案手法

• 22-kmグローバル解析データ（T2, U10, V10）を入力とし、5-km地域解析T2を目的出力とする深層畳み込みニューラルネットワーク（DCNN）をトレーニングした。
• モデルは、低分解能気象場をアップサンプリングする対象として画像とみなす単一画像スーパーレゾリューション（SISR）フレームワークを採用した。
• 入力ドメインは中央日本（137.00°E–141.25°E, 34.60°N–38.00°N）をカバーし、0.25°×0.20°解像度（18×18ピクセル）であり、出力は5-km解像度（72×72ピクセル）であった。
• JMAの運用グローバルおよび地域解析の6時間ごとのデータを用いてDCNNをトレーニングし、地形に起因する温度パターンの捉え込みに注力した。
• モデルの性能は、地域解析との比較においてRMSEおよび相関係数を用いて評価され、空間的・時間的分解が行われた。
• モデルの性能は、季節、時間帯、地形タイプ（高地、水域、盆地）ごとに検討され、風および時刻スロット特徴量の入力拡張も試みられた。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのサーヴィエージュモデルは、複雑な地形において、統合スケールの温度および風場をメソスケール解像度に効果的にダウンスケーリングできるか？
• RQ2 SISR原理に基づいてトレーニングされたDCNNは、海岸線、山脈のcrest、谷間のような微細な温度パターンをどの程度正確に再現できるか？
• RQ3 モデルの性能は、日中の時間帯や季節によってどのように変化するか、特に日射加熱と夜間冷却の関係においては？
• RQ4 追加の入力変数（例：風、時刻）を含めることで、ダウンスケーリングの正確性にどのような影響があるか？
• RQ5 訓練済みのDCNNモデルは、リアルタイムの高分解能天気予報または環境緊急対応のための低コスト代替手段として利用可能か？

主な発見

• DCNNサーヴィエージュモデルは、低分解能入力に存在しないにもかかわらず、海岸線や山脈のリッジ効果を含む詳細なメソスケール温度パターンを正確に再現した。
• 1000 m以上の標高地域において、モデル出力と地域解析との間のルート・マンス・スクエア・エラー（RMSE）は、入力時2.7 Kから出力時1.0 Kに低減された。
• 高標高地域におけるモデル出力と地域解析との相関係数は、0.6から0.9に向上し、空間的パターンの忠実性が強く示された。
• モデルは、夜間（18:00 UTC）の高地および中高地地域で性能が向上しており、放射冷却および風駆動冷却プロセスの表現がより適切になったと考えられる。
• 冬（DJF）の高地地域では性能がわずかに劣り、低分解能モデルによる積雪被覆の表現が不十分だった可能性がある。
• 3変数モデル（T2, U10, V10）は1変数モデル（T2のみ）を上回る性能を示し、時刻スロットのトレーニングは、訓練データの制限によりわずかに性能を低下させた。