[論文レビュー] The rise of data-driven weather forecasting

Zied Ben-Bouallegue, Mariana Clare+15 more|arXiv (Cornell University)|Jul 19, 2023

Meteorological Phenomena and Simulations被引用数 43

ひとこと要約

データ駆動のMLベースの天気予報が従来のNWP予報（ECMWF IFS）と運用に近い設定でどのように比較されるかを評価し、競争力のある技能を示し、現在のMLの欠点を特定する。

ABSTRACT

Data-driven modeling based on machine learning (ML) is showing enormous potential for weather forecasting. Rapid progress has been made with impressive results for some applications. The uptake of ML methods could be a game-changer for the incremental progress in traditional numerical weather prediction (NWP) known as the 'quiet revolution' of weather forecasting. The computational cost of running a forecast with standard NWP systems greatly hinders the improvements that can be made from increasing model resolution and ensemble sizes. An emerging new generation of ML models, developed using high-quality reanalysis datasets like ERA5 for training, allow forecasts that require much lower computational costs and that are highly-competitive in terms of accuracy. Here, we compare for the first time ML-generated forecasts with standard NWP-based forecasts in an operational-like context, initialized from the same initial conditions. Focusing on deterministic forecasts, we apply common forecast verification tools to assess to what extent a data-driven forecast produced with one of the recently developed ML models (PanguWeather) matches the quality and attributes of a forecast from one of the leading global NWP systems (the ECMWF IFS). The results are very promising, with comparable skill for both global metrics and extreme events, when verified against both the operational analysis and synoptic observations. Increasing forecast smoothness and bias drift with forecast lead time are identified as current drawbacks of ML-based forecasts. A new NWP paradigm is emerging relying on inference from ML models and state-of-the-art analysis and reanalysis datasets for forecast initialization and model training.

研究の動機と目的

• データ駆動モデリングを、従来のNWPを超える天気予報の潜在的加速手段として動機づける。
• 高品質な再解析データで訓練されたMLベースの予報を、同一の初期条件を用いて主要な全球NWPシステムと比較評価する。
• 全球指標と極端イベントにおけるML予報の強みと限界を分析する。
• ML推論と最新の解析が予報の初期化と訓練を推進する新しいパラダイムを強調する。

提案手法

• ML生成予報（PanguWeather）を、同じ初期条件から初期化されたECMWF IFS予報と比較する。
• 決定論的予報に標準的な予報検証ツールを適用する。
• MLモデル開発の訓練データとして高品質な再解析データ（ERA5）を使用する。
• 運用解析およびシノプティック観測に対する性能を評価する。
• リードタイムとともに予報の滑らかさとバイアスドリフトなどの問題を特定する。

実験結果

リサーチクエスチョン

• RQ1 同じ初期条件から初期化した場合、データ駆動のML予報は主要なNWPシステムに対してどの程度の性能を示すか？
• RQ2 全球指標と極端イベントにおけるML予報の相対的な性能は、NWP予報と比べてどうか？
• RQ3 MLベースの天気予報の現在の欠点（例：予報の滑らかさ、バイアスドリフト）は何か？
• RQ4 再解析データで訓練されたMLモデルは、はるかに低い計算コストで競争力の精度を達成できるか？
• RQ5 初期化と訓練のためにML推論と最先端の解析を組み合わせることで、どのような予報パラダイムが出現するか？

主な発見

• ML予報は、運用分析およびシノプティック観測で検証した場合、全球指標と極端イベントにおいて主要なNWP予報と同等の性能を示す。
• MLモデルによって生成された予報は、より低い計算コストで競争力のある精度を達成できる。
• 特定された欠点には、MLベースの予報でリードタイムが長くなるにつれて予報の滑らかさの増大とバイアスドリフトが含まれる。
• 結果は、初期化と訓練のためにML推論と高品質の再解析データに依拠する新しいNWPパラダイムの可能性を示す。
• 本研究は、運用に近い文脈でML予報と全球NWPシステムを初めて直接比較した。