[論文レビュー] SwinRDM: Integrate SwinRNN with Diffusion Model Towards High-Resolution and High-Quality Weather Forecasting

Lei Chen, Du Fei+3 more|arXiv (Cornell University)|Jan 11, 2023

Cryospheric studies and observations被引用数 10

ひとこと要約

SwinRDMは、改良されたSwinRNN+と条件付き拡散型超解像モデルを組み合わせたデータ駆動型気象予報モデルであり、0.25°解像度の高精度な中距離予報を実現した。5日予報において、Z500、T850、T2M、TPといった主要大気変数で運用モデルであるIFSを上回り、高解像度におけるデータ駆動型モデルの新たなSOTAを樹立した。

ABSTRACT

Data-driven medium-range weather forecasting has attracted much attention in recent years. However, the forecasting accuracy at high resolution is unsatisfactory currently. Pursuing high-resolution and high-quality weather forecasting, we develop a data-driven model SwinRDM which integrates an improved version of SwinRNN with a diffusion model. SwinRDM performs predictions at $0.25^\circ$ resolution and achieves superior forecasting accuracy to IFS (Integrated Forecast System), the state-of-the-art operational NWP model, on representative atmospheric variables including 500 hPa geopotential (Z500), 850 hPa temperature (T850), 2-m temperature (T2M), and total precipitation (TP), at lead times of up to 5 days. We propose to leverage a two-step strategy to achieve high-resolution predictions at $0.25^\circ$ considering the trade-off between computation memory and forecasting accuracy. Recurrent predictions for future atmospheric fields are firstly performed at $1.40625^\circ$ resolution, and then a diffusion-based super-resolution model is leveraged to recover the high spatial resolution and finer-scale atmospheric details. SwinRDM pushes forward the performance and potential of data-driven models for a large margin towards operational applications.

研究の動機と目的

• 現在のモデルが性能を発揮しない0.25°解像度における高解像度データ駆動型気象予報のギャップを埋める。
• 特徴表現と集約を強化することで、SwinRNNアーキテクチャを改善し、低解像度予報精度を向上させる。
• 計算コストを抑えた二段階フレームワークを構築し、拡散モデルを活用して超解像処理を実行することで、高品質で細かいスケールの大気的詳細を実現する。
• 0.25°解像度における中距離全球気象予報でSOTAを達成し、IFSのような運用NWPモデルを上回る。
• 高解像度出力により小スケールの力学を捉えることで、台風のような極端な気象現象の正確な予測を可能にする。

提案手法

• マルチスケール構造を単一スケールアーキテクチャに置き換え、特徴集約層を追加することで、SwinRNNの改善版であるSwinRNN+を提案。
• 1.40625°解像度のERA5データを用いてSwinRNN+を訓練し、Z500、T850、T2M、TPなどの大気変数の初期低解像度予報を生成。
• SwinRNN+の出力を条件として、ガウスノイズを段階的に除去する条件付き拡散モデル（U-Netベース）を適用し、低解像度予報を0.25°解像度に向上。
• U-Netアーキテクチャを用い、ノイズ条件付きで繰り返しノイズ除去を実行することで、写真並みの高解像度予報を生成し、細かいスケールの大気的特徴を再現。
• 拡散プロセス中に複数のノイズベクトルをサンプリングすることでアンサンブル予報を実装し、不確実性推定と耐障害性の向上を実現。
• 二段階戦略を採用することで、計算コストと予報精度のバランスを図り、0.25°データへの直接学習によるメモリ要件の増大を回避。

実験結果

リサーチクエスチョン

• RQ1 SwinRNN+は、運用IFSモデルと比較して1.40625°解像度で優れた予報精度を達成できるか？
• RQ2 直接高解像度データで学習せずとも、低解像度予報から拡散型超解像モデルが細かいスケールの大気的特徴を効果的に回復できるか？
• RQ3 二段階フレームワーク（低解像度予報＋拡散型超解像）は、0.25°解像度でSOTAを達成しつつ、計算可能性を維持できるか？
• RQ4 特に空間的詳細と追跡精度の観点から、台風のような極端な気象現象をどの程度正確に予測できるか？
• RQ5 従来の方法（双線形補間やSwinIRなど）と比較して、拡散型超解像は視覚的品質（FID）や定量的指標（CSIなど）をどの程度改善するか？

主な発見

• SwinRNN+は、1.40625°解像度および最大5日予報において、すべての主要大気変数（Z500、T850、T2M、TP）でIFSモデルを上回る性能を示し、Z500とT850のRMSEはそれぞれ1.15および1.76を記録。
• SwinRDM*（10メンバーのアンサンブル）は、5日予報において、Z500、T850、T2M、TPのRMSEでそれぞれ21、0.27、0.34、0.53ポイントの改善を達成し、IFSを上回った。
• 拡散型超解像モデルは、全予報期間で低FIDスコア（5日予報で1.87/2.06）を維持し、高視覚的品質と細かい特徴の安定的生成を示した。
• SwinRDMはSwinIRや双線形補間を上回り、降水量予報のCSI指標で、CSI2、CSI5、CSI10をそれぞれ6%、11%、10%向上。20mm、50mmの高閾値でも妥当な結果を達成した。
• 定性的な結果から、SwinRDM*は5日予報において、高精度かつ細かいスケールの特徴を捉えたスーパータイフーン・マンクーツの予報と追跡に成功した。
• モデルは、高解像度における複雑な大気力学、特に極端な気象システムの予報において、優れた汎化性能と耐障害性を示した。