[論文レビュー] Weather Analogs with a Machine Learning Similarity Metric for Renewable Resource Forecasting

Weiming Hu, Guido Cervone+2 more|arXiv (Cornell University)|Mar 7, 2021

Meteorological Phenomena and Simulations被引用数 4

ひとこと要約

本論文は、気象アンサンブル予測（AnEn）のための機械学習ベースの類似度メトリックを提案する。従来の重み付きユークリッド距離に代わり、ニューラルネットワークで学習されたメトリックを採用することで、事前の特徴選択や重み最適化を不要とし、すべての気象変数をフルに活用できる。この手法は、風速および日射量予測において従来のAnEnを上回り、大きな誤差の補正をより効果的に行い、より大きな歴史的アーカイブを活用する。空間的予測精度が向上し、モデル更新に対してもロバストである。

ABSTRACT

The Analog Ensemble (AnEn) technique has been shown effective on several weather problems. Unlike previous weather analogs that are sought within a large spatial domain and an extended temporal window, AnEn strictly confines space and time, and independently generates results at each grid point within a short time window. AnEn can find similar forecasts that lead to accurate and calibrated ensemble forecasts. The central core of the AnEn technique is a similarity metric that sorts historical forecasts with respect to a new target prediction. A commonly used metric is Euclidean distance. However, a significant difficulty using this metric is the definition of the weights for all the parameters. Generally, feature selection and extensive weight search are needed. This paper proposes a novel definition of weather analogs through a Machine Learning (ML) based similarity metric. The similarity metric uses neural networks that are trained and instantiated to search for weather analogs. This new metric allows incorporating all variables without requiring a prior feature selection and weight optimization. Experiments are presented on the application of this new metric to forecast wind speed and solar irradiance. Results show that the ML metric generally outperforms the original metric. The ML metric has a better capability to correct for larger errors and to take advantage of a larger search repository. Spatial predictions using a learned metric also show the ability to define effective latent features that are transferable to other locations.

研究の動機と目的

• ヒューリスティックな特徴選択と計算コストの高い重み最適化を要する従来のAnEn類似度メトリックの限界を解消すること。
• 風速や日射量などの再生可能エネルギー資源の予測精度とキャリブレーションを向上させること。
• モデル更新や限られた歴史的データ下でも、アナログベース予測のロバスト性を高めること。
• グリッドポイント間で転送可能な潜在的特徴を学習することで、効果的な空間的予測を可能とすること。
• 現代のMLアーキテクチャを活用し、より柔軟で正確な気象アナログ同定を実現すること。

提案手法

• 対照的損失を用いて、類似した天気予報をグループ化するように、変換された潜在空間で類似度メトリックを学習する三重項ニューラルネットワークアーキテクチャを採用する。
• モデル予報誤差を歴史的アナログに結びつける逆アナログ手法を用いて、予測可能な特徴の学習を誘導する。
• 生のNWP予報変数を低次元の潜在空間に変換するための事前学習済み埋め込みネットワーク（LSTMベース）を用いる。
• 類似度メトリックを潜在空間で再定義することで、手動での重み付けを不要とし、すべての気象変数をフルに活用できる。
• モデルの変更に強く、ロバスト性を確保するため、大規模なNWP予報と観測の歴史的アーカイブを用いてモデルを学習する。
• 空間的予測は、各グリッドポイントで学習されたメトリックを独立して適用することで生成され、スケーラブルで高解像度の予測が可能となる。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースの類似度メトリックは、再生可能エネルギー予測のAnEnにおいて、従来の重み付きユークリッド距離を上回ることができるか？
• RQ2 MLメトリックは、従来のAnEnと比較して、大きな予測誤差の補正においてどの程度優れているか？
• RQ3 学習されたメトリックはどの程度空間的領域に一般化され、グリッド化された予測を改善できるか？
• RQ4 MLベースのアプローチはNWPモデルの更新に対する感受性を低下させ、モデルパrameterの変更にも耐性を示すか？
• RQ5 ニューラルネットワークが学習する潜在特徴は、より良いアナログ選択に寄与する物理的に意味のある天気パターンを捉えられるか？

主な発見

• MLベースの類似度メトリックは、風速および日射量の両方の予測において、従来のAnEnメトリックを顕著に上回る。
• MLメトリックは、より広範な気象変数の活用が可能であるため、特に大きな予測誤差の補正能力に優れている。
• 学習されたメトリックを用いた空間的予測は、最適な従来のAnEnと比較して、より高い精度と良好なキャリブレーションを示す。
• この手法はNWPモデルの更新に対してもよりロバストであり、従来のAnEnがモデル変更によって性能を低下させるのとは対照的に、長い歴史的アーカイブでも性能を維持する。
• ニューラルネットワークが学習する潜在特徴は、空間的に転送可能であり、再生可能エネルギー予測に関連する天気型を効果的に表現している。
• 三重項ネットワークと対照的損失を用いることで、自己符号化器よりも一貫性があり、物理的に意味のあるクラスタリングが潜在空間で得られ、より高品質なアンサンブル予測が実現されている。