[論文レビュー] Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy

Stefanos Giaremis, Noujoud Nader+4 more|arXiv (Cornell University)|Mar 7, 2024

Meteorological Phenomena and Simulations被引用数 4

ひとこと要約

本稿では、歴史的水位計観測データを用いて物理的暴風潮予報におけるシステム的バイアスを予測・是正するLSTMベースの深層学習モデルを提案する。61回の過去のハリケーンで訓練されたモデルは、2022年のハリケーン・アイアンの予報精度を向上させ、シミュレートされた水位を是正することで、短い時間窓ではR² > 0.9を達成し、18時間予測ではR² ~0.7–0.8を維持した。データ要件は最小限で、同程度の性能を得るにはたった6つの多様な暴風雨で十分であった。

ABSTRACT

Physics simulation results of natural processes usually do not fully capture the real world. This is caused for instance by limits in what physical processes are simulated and to what accuracy. In this work we propose and analyze the use of an LSTM-based deep learning network machine learning (ML) architecture for capturing and predicting the behavior of the systemic error for storm surge forecast models with respect to real-world water height observations from gauge stations during hurricane events. The overall goal of this work is to predict the systemic error of the physics model and use it to improve the accuracy of the simulation results post factum. We trained our proposed ML model on a dataset of 61 historical storms in the coastal regions of the U.S. and we tested its performance in bias correcting modeled water level data predictions from hurricane Ian (2022). We show that our model can consistently improve the forecasting accuracy for hurricane Ian -- unknown to the ML model -- at all gauge station coordinates used for the initial data. Moreover, by examining the impact of using different subsets of the initial training dataset, containing a number of relatively similar or different hurricanes in terms of hurricane track, we found that we can obtain similar quality of bias correction by only using a subset of six hurricanes. This is an important result that implies the possibility to apply a pre-trained ML model to real-time hurricane forecasting results with the goal of bias correcting and improving the produced simulation accuracy. The presented work is an important first step in creating a bias correction system for real-time storm surge forecasting applicable to the full simulation area. It also presents a highly transferable and operationally applicable methodology for improving the accuracy in a wide range of physics simulation scenarios beyond storm surge forecasting.

研究の動機と目的

• 物理的暴風潮モデルにおけるシステム的誤差を予測・是正する機械学習フレームワークの開発。
• シミュレーション出力に学習済みバイアス是正を適用することで、事後的に予報精度を向上させる。
• 過去の暴風雨の小規模で代表的なサブセットが、フルデータセットでの訓練と同等の性能を達成できるかどうかを評価する。
• リアルタイム暴風潮予報システムにおけるバイアス是正の運用デプロイメントを可能にする。
• 本手法が暴風潮予測を越えて、他の物理シミュレーションのシナリオにも適用可能であることを示す。

提案手法

• モデルは、観測水位とモデル化水位の差分時系列における時間的パターンを学習するため、長短期記憶（LSTM）ネットワークを用いる。
• オフセットは、NOAA/USGSの水位計ステーションからの観測水位とADCIRCでシミュレートされた水位との差として計算された。
• オフセット系列を教師あり学習の訓練サンプルに変換するために、スライディングウインドウ手法が適用された。
• モデル訓練の前段階で、データは標準化され、訓練用と検証用に分割された。
• モデルは61回の歴史的ハリケーンで訓練され、テストでは訓練から除外されたハリケーン・アイアン（2022年）が使用された。
• 補正予測（「Modeled+ML」）と生モデル出力（「Modeled」）を、R²とゲージステーションごとの可視化分析を用いて比較することで、性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、歴史的オフセットデータを用いて、暴風潮予報におけるシステム的誤差を効果的に予測できるか？
• RQ2 特に、ターゲット暴風雨とは異なる軌道を持つ、減少したサブセットのハリケーンで訓練した場合、モデルの性能はどのように変化するか？
• RQ3 たとえば6つの暴風雨のような小規模で代表的なサブセットが、フルデータセットでの訓練と同等の性能をどの程度達成できるか？
• RQ4 18時間に達するような長い予測時間窓に対しても、モデルは頑健性を維持できるか？
• RQ5 最小限の再訓練と低コストの計算負荷で、リアルタイム予報に運用可能か？

主な発見

• ADCIRCでシミュレートされた水位を是正する際、ハリケーン・アイアンに対して、6時間までの予測ウィンドウではR² > 0.9、18時間の予測ウィンドウではR² ~0.7–0.8を達成した。
• モデル予測オフセットをモデル出力に適用した場合（「Modeled+ML」）は、生モデル出力（「Modeled」）と比較して、大多数のゲージステーションで予報精度が顕著に向上した。
• ハリケーン・アイアンとは異なる軌道を持つ6つの暴風雨からなる訓練サブセットが、9時間以上の予測ウィンドウにおいて、フル61stormsデータセットと同等のバイアス是正性能を達成した。
• ウィルコクソン符号順位検定により、複数の入力ウィンドウサイズにおいて、フルデータセットモデルと6stormsサブセットモデルのR²性能に統計的に有意な差がないことが確認された。
• 訓練時間は、データポイント数および入力ウィンドウサイズに比例して線形に増加し、計算コストが予測可能で管理可能であることが示された。
• モデルは運用用途に適していることが示された。これは、リアルタイムの物理モデル再実行を必要とせず、歴史的オフセットデータのみに依存しているためである。